光学遥感图像的变化检测是地球观测领域一项重要而富有挑战性的任务。近期的变化检测研究引入深度学习理论,实现了性能上的突破。本文对现有的深度学习变化检测方法进行总结和分析,重点研究了特征融合、损失函数、多任务学习和半监督学习等方面,旨在突破当前深度学习变化检测方法中存在的瓶颈,主要研究内容包括下面三个部分:（1）针对深度学习变化检测方法特征融合不高效、交叉熵损失不契合的问题,本文提出了一种基于多向自适应融合和感知相似性的变化检测方法。为了进行高效的特征融合,该方法通过一个多向融合路径来突破单向信息流的局限性,并在每个融合节点采用基于注意力机制的自适应加权融合策略来考虑不同特征之间的语义差异和重要性;在损失函数方面,为了弥补交叉熵损失在变化检测任务中优化困难且难以获得感知相似性的问题,设计了一个感知相似模块来缩短预测变化图与真实标签在特征空间的距离,辅助模型训练的同时提取额外的感知信息。通过在三个通用基准数据集上的实验以及对结果的定量定性分析,验证了所提方法的有效性和泛化性。（2）针对多任务学习变化检测方法需要额外标签、共享/私有特征比例难以合理分配的问题,本文提出了一种图像超分辅助变化检测方法。该方法以图像超分辨作为辅助任务,来提升变化检测主任务的性能。在没有引入额外数据标签的前提下,利用图像超分辨自我监督的特性实现了有效的多任务学习;此外,还引入双任务融合模块来自适应地分配两个任务之间的共享、私有特征比例。通过在三个通用基准数据集上的实验以及对结果的定量定性分析,验证了所提方法的优越性。（3）针对半监督学习变化检测方法中伪标签质量较低,以及如何结合一致性正则化与伪标签的问题,本文提出了一种基于伪标签交叉一致性的半监督变化检测方法。为了获得高质量的伪标签,该方法通过基于熵的动态阈值策略筛选出相对可靠的像素点,并动态调整阈值以考虑更多的像素点。此外,该方法受到自训练伪标签和一致性正则化的启发,旨在将二者的优点进行结合。具体而言,利用两个结构相同、初始化参数值不同的网络在线生成伪标签,对伪标签施加交叉一致性约束进行两个网络的互相监督,从而实现端到端的半监督变化检测。通过在小样本基准数据集上的实验以及对结果的定量定性分析,验证了所提方法的优越性。