非结构化道路(Unstructured roads)在城市和乡村道路之中占据重要的地位。检测它们的变化信息是自然灾害评估、地理数据更新、意外风险检测、道路灾害评估、城市规划和军事目标的动态监测等领域中不可缺少的内容。然而,非结构化道路通常不具有清晰的车道线和道路边界,并且易受诸如光照、阴影、天气变化等环境因素的影响。因此,检测它们的变化信息变得越来越困难。本文提出了一种利用小型无人机(Small unmanned aerial vehicle,SUAV)遥感图像配准方法进行多时相和多视角非结构化道路变化检测的新框架,该方法在将多时相和多视角图像转换为同一坐标系中起着重要作用并确定了非结构化道路变化检测的有效性。拟提出框架的主要贡献如下:(i)图像增强和图像聚类用于图像预处理,以减少外部因素(如:大气、太阳高度角、无人机飞行角等)的影响;(ii)生成使用来自预训练的视觉几何组(Visual geometry group,VGG)网络层的多尺度深度卷积特征描述符,并结合几何结构形状上下文特征以形成用于提取道路特征的互补特征,此外,VGG-16网络用于提取特征点以使提取的特征点均匀分布在图像中,从而减少冗余点对匹配精度的影响;(iii)采用动态调整内点数的策略以最大化利用图像潜在信息,从而提高点集配准过程的稳健性;(iv)引入全局和局部的几何结构双约束项以约束特征点集配准过程中的图像转换成本和特征点集的特征结构,并防止图像转换过程中所造成的不适定问题(ill-posed problem)产生的误匹配;(v)构造混合特征描述符的框架,可以任意调整两个特征之间的权重,以稳固道路特征描述。来自不同视角和不同时相的SUAV(DJI Phantom 4 Pro)图像的三步实验结果验证了所提出的框架的鲁棒性和准确性,证明了其在非结构化道路图像中的可实施性。本文还比较了五种最先进的图像配准方法和两种最先进的变化检测方法,其中本文提出的方法在大多数情况下表现出良好的性能。