变化检测作为遥感技术中的一个重要研究领域，可以帮助分析决策地表物
体的变化情况，广泛应用于国土资源调查、农业生产监测、城市扩张分析和自然
灾害评估等方面。由于光照变化、成像条件改变、非物理变化的影响，发展高精
度、多场景泛化的高分辨率遥感影像变化检测方法一直是一个难点研究问题。当
前，以深度学习为代表的人工智能技术迅速发展，在遥感影像处理领域掀起了新
的浪潮。深度学习技术可以从输入数据中高效、自适应的提取层次化的代表性特
征，十分适合处理高分辨率遥感影像。但是，目前基于深度学习的方法在变化检
测领域仍面临困难和挑战，存在精度低、泛化性差、适用场景单一等问题。本文
在充分调研和分析现有方法的基础上，总结缺陷与经验，从多个角度出发，围绕
深度学习技术在高分辨率遥感影像中的多类变化检测、单类变化检测中的应用
进行了深入的研究。主要研究内容如下：
(1) 针对多类别的遥感影像变化检测问题，提出了一种多任务学习的处理
框架。多任务学习体现在可以同时完成语义分割和变化检测两个任务，其中，变
化检测分支判别发生变化的区域，从而限定了语义分割的作用范围，使得网络对
变化类型的识别仅针对发生变化的区域。此外，考虑到多类别的变化检测任务中
常常存在某一类占据主导地位，产生的类别不均衡的问题会导致网络倾向于多
类而忽视少类。提出的针对非变化区域的语义约束函数可以使网络集中在变化
区域的语义对比，将非变化区域语义尽量约束为一致，使得网络的特征提取能力
和对变化情况的判别能力得到提升。实验表明，所提出的方法在检测精度上优于
其它多类变化检测方法。
(2) 针对单个类别的变化检测问题，本文主要聚焦于建筑物的变化检测，提
出了一种基于双交叉注意力的变化检测模型。首先，从变化的本质出发提出交叉
注意力，交叉注意力机制受人眼视觉观察变化的启发，通过从左到右的交替比较
和从前往后的连续匹配来检测变化。其次，为了充分挖掘图像中的高频和低频信
息，提出了结合高频和低频信息的混合器，以取代传统的自注意力混合器。通过
频率斜坡结构划分高频与低频分支，耦合基于卷积的和基于 Transformer 的交叉
注意力混合器，使模型能够扩展其感知能力并从输入的成对数据中捕获更丰富
的特征。此外，在特征提取阶段摒弃了纯粹的孪生结构，而是通过交叉注意力联
系起来实现信息的交互，并通过层次化的特征提取与融合来实现细节信息的保
护与恢复。大量实验表明，本文提出的方法在四个数据集在上均取得了变化检测
精度与效率的平衡，综合性能超过同类方法，具有作为变化检测通用主干的潜
力。