利用高空间分辨率遥感影像(以下称“高分影像”)进行地表覆盖变化检测是通过分析同一地区多时相影像,定性定量发现地表覆盖变化的技术。该技术在实际监测中已有诸多应用,如:植被覆盖动态监测、农业资源评估、自然灾害(地震、山体滑坡和洪水等)监测与评估、地表覆盖和利用、城市发展规划等。因此,开展基于高分影像地表覆盖变化检测方法的研究具有重要实际意义。本文着重研究通过减少高分影像变化检测时二值检测结果中的伪变化,以提高地表覆盖变化检测精度和可靠性,从而为实际应用和现实需要提供可靠的决策支持。鉴于此,本文的研究思路是:以高分影像为研究对象,以影像空间-光谱特征提取为主要研究内容,依次开展基于不同影像特征分析单元(像素级→对象级→语义级)的地表覆盖变化检测方法研究。因此,本文具体研究包含如下三个方面:(1)像素级:本文提出三种不同基于像素自适应空-谱联合特征分析的高分影像变化检测方法:a)基于自适应上下文均值距离的地表覆盖变化检测方法。该方法定义一种自适应上下文均值特征(Adaptive Contextual Mean Feature,ACMF),然后,通过度量ACMF间的欧式距离可获得类内一致性更高的变化幅度影像,从而提高检测准确性;b)提出一种新颖的自适应光谱直方图趋势(Adaptive Histogram Trend,AHT)相似性变化检测方法。在该方法中,AHT能有效减少因物候差异导致光谱差异较大而引起的伪变化,使得变化与未变化的类间可分性提高,从而提高检测精度;c)基于上述方法的研究,本文还提出一种基于K-means聚类与自适应多数投票算法相结合的变化检测框架。该方法首次在判别像素变化类别时将K-means聚类应用于局部自适应邻域中,并且为进一步利用自适应空间信息,对局部聚类结果使用多投票法算法以进一步决策聚类结果,最终提高检测精度。上述三种像素级变化检测方法均通过若干组真实数据进行实验,并与其他新颖的方法进行比较。实验结果表明:本文方法在视觉效果和定量精度相对更具优势。(2)对象级:影像对象不仅具有平滑噪声的特性,还可以自适应地描述不同地物的轮廓和形状,使得对象级方法更易保持变化区域的完整性。鉴于此,本文提出两种对象级变化检测方法:a)基于多尺度对象直方图距离(Multi-scale Object Histogram Distance,MOHD)的变化检测方法。该方法通过自适应、多尺度的对象利用影像的空间信息,并为每个对象构建光谱频数分布直方图定义一种名为算术频率均值特征(Arithmetic Frequency-Mean Feature,AFMF)定量描述直方图,旨在获取更具差异性的变化幅度影像;b)当前主流变化检测(预处理)技术集中于提出新的变化幅度影像度量方式以获得更少噪声的检测结果。为解决此问题,本文首次提出一种基于对象的最大期望算法(Object-Based Expectation Maximization,OBEM)优化初始变化检测结果的后处理方法。OBEM 方法通过直接、简洁的后处理方法能够在传统方法结果的基础上进一步提高检测精度。上述两种对象级方法均在若干组真实数据进行实验,并与其他方法进行比较,结果表明本文方法在减少噪声,提高变化检测精度具有显著优势。(3)语义级:深度神经网络是获取更高层语义信息的有效途径之一。为此,本文提出一种基于双通道全卷积网络(Dual Path Fully Convolutional Network,DP-FCN)用于快速、自动地获取山体滑坡库存图模型。该模型由两个并行深度特征提取模块和一个联合特征学习模块组成。深度特征提取模块有效捕获影像低维和高维特征,而联合特征学习模块能学习两期影像特征图之间潜在的语义关系,从而准确获取滑坡区域。实验采用香港大屿山山体滑坡实例,并与相关应用的方法进行比较,结果证明DP-FCN模型具有较好的准确性和鲁棒性。