遥感图像的变化监测是通过对同一地区不同时间的多副遥感图像进行比较分析,得到变化信息的技术。近年来,随着变化监测技术的日益成熟,遥感图像的变化监测已经成为监测地球表面的一种不可或缺的手段,在城市发展、森林覆盖变化、森林火灾、湿地变化等领域都得到了成功的应用。在监督分类中,由于使用了样本的标签信息,分类效果较好。但样本的标签信息不易得到,因为标记样本点需要领域专家的帮助,且费时费力。无监督分类算法由于没有使用样本点的任何先验知识,往往得不到理想的分类精度。半监督分类算法结合了监督分类和无监督分类方法的优点,通过标记少量样本点达到提高分类精度的目的。基于以上分析,本文在变化监测技术中采取了半监督分类方法。针对样本点标记困难的问题,本文给出了一种新的标记方法。在现有的变化监测方法的基础上,本文提出了一种新的融合空间信息的半监督分类算法。本文的主要的工作和内容如下:(1)本文提出了一种新的标记方法。半监督分类要标记部分样本点的类标签,但是这类信息通常不易得到。在半监督分类方法中,通常采用随机标注的方法获得部分样本点的类标签,但这种标记方法有时会影响分类结果。本文针对变化监测问题,根据差值图像,给出了一种新的标记方法,分别标记差值图像中的变化点和不变点。该方法将差值图像中的像元点按灰度值大小排序,将灰度值小的点(在具体实验中灰度值为0的部分点)标记为不变点,灰度值较大的点标记为变化点。(2)本文在现有的变化监测方法以及新的样本点标记方法的基础上,提出了一种新的融合空间信息的半监督分类算法。在得到差值图像后,首先运用本文提出的样本点标记方法标记差值图像中的变化点和不变点,然后运用一种改进的半监督FCM方法对差值图像分类,最后针对聚类过程中出现的噪声点,运用马尔可夫随机场模型将空间信息融入变化监测过程中,得到变化监测结果。为了验证本文方法的可行性,分别选取了婆罗洲、巴西和大连市的Landsat7数据做了实验。结果表明,本文提出的融合空间信息的半监督变化监测方法对变法监测问题是行之有效的,KAPPA系数可以达到85%以上。