遥感图像变化检测是利用同一地区不同时刻遥感图像之间的差异来确定目标变化的方法,在资源调查、城市规划、环境监测、军事目标侦察等领域有着广泛的应用。传统的变化检测技术主要靠判读人员分析不同时相图像的灰度值或局部纹理差异,寻找特定目标的变化情况,工作量大且主观依赖性强,研究一种能够自动、准确的检测出变化区域的方法是遥感应用研究的热点。本文主要针对遥感图像变化检测中涉及到的图像配准和检测技术进行了深入研究,具体如下:介绍了图像配准的一般原理和几种经典的配准方法,针对经典方法在遥感图像配准过程中的不足,本文提出一种改进的基于特征不变特性变换(Scale Invariant Feature Transform, SIFT)的图像配准算法。该方法利用SIFT描述子进行图像特征点对的匹配和提纯,然后求解变换模型参数完成配准。分别用光学图像和SAR图像对该方法进行了验证,结果表明该算法的适用性及最终配准精度均优于传统算法。利用仿真数据和实测数据对几种经典的变化检测算法进行了系统的比较和分析,结果表明:这些直接比较的变化检测方法能有效地检测出仿真图像中不同的变化区域,但是用于复杂的自然场景时,性能急剧下降;分类后比较的变化检测方法虽然对场景有一定的适应性,但是对分类算法有较高的要求。提出了一种基于脉冲耦合神经网络(Pulse Coupled Neural Networks, PCNN)的变化检测法。该方法利用PCNN实现多时相遥感图像的多层次分类,将分类结果进行差值比对,即可检测出感兴趣的变化区域。并提出根据最小模糊度准则,自动确定PCNN循环迭代次数和最佳阈值。实测数据的实验结果表明该方法的分类效果优于最大熵PCNN分类,变化检测效果优于经典变化检测算法。在上述遥感图像配准与变化检测的关键技术研究的基础上,利用MATLAB GUI开发了多时相遥感图像变化检测实验平台,并给出了完整的设计步骤和使用说明。