遥感变化检测在许多应用场景尤其是地理国情监测中发挥了重要作用,与我们的生活环境紧密联系。但是目前尚未有一种普适性的方法可以对于不同场景的变化检测都得到完美的结果,现有变化检测方法由于自身的产生背景而存在各自的局限性。本文以高分辨率遥感影像变化检测为研究背景,结合高分辨率遥感影像的特征对高分影像的时相间差异特征和多尺度特征进行研究,发现由于高分辨率遥感影像地物的尺度多样性和面向对象算法的基本特点,不同检测尺度上的变化检测结果难以有效综合,采用单一尺度的面向对象变化检测往往难以获取可靠的变化检测结果,且对象特征使得地物边缘信息存在一定的遗漏。针对这些问题,本文提出了一种结合机器学习的使用对象特征的多尺度融合的检测思路,在基于对象特征的变化检测中考虑基于像元的多尺度融合方法,重点在于构造一种通用的融合手段,帮助实现高分影像变化检测流程的抽象化和规范化。首先,本文阐述了多尺度变化检测流程中涉及到的预处理、影像分割、检测器选择和可靠性评价指标的确定方法与原因,并通过理论描述和具体实验进行了验证。然后,基于光谱和纹理特征,利用支持向量机进行单一尺度上模糊评价模型为基础的变化判别,研究发现相对于常见的使用隶属度函数进行变化概率计算的方法,使用后验概率支持向量机进行变化判别的模糊评价变化检测效果更好。最后,在选择可能的最优分割尺度并提取多尺度的对象特征进行优化的必要前提下,重点分析基于对象特征、多个尺度上变化检测结果的融合,通过信息论中的熵权思想实现不同尺度变化概率指示下的变化检测结果的有效融合。在这一过程中,为提高变化检测算法的自动化程度,将单尺度的对象级特征赋予对象内部像素,便于对影像进行自动化处理。研究结果表明本文的方法可以在减低单尺度变化检测结果不确定性影响的同时,降低以对象特征为基础的变化检测对于对象分割尺度的依赖性。