变化检测是指利用覆盖同一地表区域的多时相遥感影像来确定和分析地物变化,广泛应用在土地利用调查、资源动态监测、灾后分析评估和城市规划建设等领域。随着多分辨率、全方位和全天候的对地观测网的建立,遥感数据量急剧增加,对变化检测的精度和效率设定了更高的期望。大多数变化检测方法忽略了遥感影像间的时间联系,没有充分挖掘时间维度的信息,导致精度较低,泛化不足等问题的出现。循环神经网络(Recurrent Neural Network,RNN)能够挖掘时间序列数据的信息,学者们基于这一特性将循环神经网络引入到遥感变化检测分析中,变化检测的精度得到提高。然而目前循环神经网络在变化检测中的应用多基于光谱特征开展,未能充分利用遥感影像所提供的多种特征,变化检测精度受到制约。为此,本文在对遥感影像特征和循环神经网络充分研究的基础上,提出了一种改进的基于循环神经网络的变化检测方法,并围绕遥感影像特征和循环神经网络,对遥感影像变化检测所涉及的问题展开系列研究,主要研究内容和创新点如下:(1)对循环神经网络的输入进行改进,构建了基于循环神经网络的多特征融合变化检测模型。本文利用遥感影像的多种像元级特征,如光谱特征、纹理特征、遥感指数特征,并利用窗口运算求取均值的方式提取其空间特征,将上述特征输入至循环神经网络模型进行多特征融合,提取像元-空间-时间特征,实现遥感影像变化信息的提取。(2)利用多种分辨率遥感影像数据验证方法的有效性和适用性。本文分别利用Landsat-8卫星影像和Sentinel-2A卫星影像进行变化检测,分析地物变化类型。实验结果表明,本文方法具有较高精度的同时还拥有较好的泛化能力,可以应对不同中分辨率影像的变化检测任务,满足实际应用需求。