极化合成孔径雷达（Polarimetric Synthetic Aperture Radar,Pol SAR）通过发射和接收不同组合方式的极化波来测量地物目标的极化散射特性。极化SAR雷达相较于SAR雷达拥有更丰富的地物目标信息和更全面的极化信息,因而受到世界各国的重视。极化SAR图像变化检测是极化SAR图像解译的核心内容之一,通过对同一地理位置的多时相极化SAR图像数据进行定位和分析,从而确定该区域地物变化信息,在监测毁林、灾害评估、城市规划等发挥着巨大作用。绝大部分传统的极化SAR图像变化检测方法在变化检测过程中都没有引入语义信息,因而只能检测出某一区域是否发生了变化,无法确定变化前后的目标类别。但是对于一些特定的应用场景,不仅需要检测在哪发生了变化,而且还需要识别变化前后的目标类型。因此,本文研究基于语义分析的极化SAR图像变化检测,主要研究内容如下:（1）针对传统极化SAR图像变化检测方法没有考虑语义信息,导致无法检测出变化前后的目标类别以及变化边缘定位性差的问题,提出一种DS证据理论融合的极化SAR图像语义变化检测方法（简称CNN-MRF算法）。该算法首先通过定义语义变化类,构建卷积神经网络（CNN）模型,用其对两时相极化SAR图像数据进行语义变化特征的提取,通过分类器得到具有语义信息的变化证据。然后先通过双边取大的HLT算子生成差异图,再使用马尔科夫随机场（MRF）理论对差异图进行建模,得到对细节保持和噪声抑制较好的变化证据。最后,通过DS证据将这两个变化证据相结合来完成语义变化检测。通过对4组真实极化SAR数据的仿真实验进行结果分析,证明了本算法的有效性与可行性。（2）针对语义级的极化SAR图像变化检测过程中没有充分提取语义变化特征的问题,提出一种基于极化特征和改进残差网络的极化SAR语义变化检测方法（简称PF-Inception-Resnet算法）。该算法首先通过Pauli分解、Cloude分解和Yamaguchi分解分别对两时相极化SAR图像进行极化目标分解,得到两时相的极化特征图,这些特征可以从不同层面反映出地物目标的物理特性。然后对两时相极化SAR图像的极化特征图进行特征级联,并送入到用Inception结构改进的残差卷积神经网络中,进行深层次的语义变化特征提取,可以得到更为丰富的语义变化信息,最后通过分类器得到语义变化检测结果。通过对4组真实极化SAR数据的仿真实验进行结果分析,证明了本算法的有效性与可行性。