近年来,空间遥感技术得到了迅猛发展,短时间内可获得大量的信息资源。图像变化检测是针对同一地区不同时间的两幅或多幅图像检测其变化区域的过程,在遥感技术、医学诊断以及视频监控上都得到了广泛的应用。随着合成孔径雷达技术的逐渐成熟,遥感卫星传感器能观察到地球表面绝大部分的区域,且遥感图像信息受太阳强度和大气状况影响较小,其中遥感图像的变化检测技术受到广泛的关注,特别是在灾害评估中实用性强。受相干斑噪声的影响,遥感图像的变化检测研究相比光学图像更具挑战性。研究表明,稀疏特征对噪声的抗干扰以及原始图像有效信息的提取十分有效,同时稀疏约束也广泛应用于图像处理的高维特征提取过程。在传统的方法中,稀疏特征常作为学习模型的正则项,而不同遥感图像有着不同的噪声属性,因此训练得到的解不稳定且性能较差。本文提出了基于多目标稀疏特征学习的遥感图像变化检测方法。在处理遥感图像时,为解决遥感图像的相干斑噪声问题,利用对噪声鲁棒的MO-SFL(多目标稀疏特征学习的深度神经网络)模型对遥感图像进行特征学习,具体研究内容如下:(1)提出了基于多目标稀疏特征学习模型的变化检测方法。针对传统基于深度神经网络模型的变化检测方法把稀疏特征作为模型正则项而导致解不稳定且性能差的问题,提出了基于多目标的稀疏特征学习方法。具体是基于MO-SFL模型的网络训练过程,先逐层优化神经网络,再选择其中的一个最优权值继续优化下一层网络,然后对网络进行微调,直到收敛。该方法学习到的特征更有区别力,能对简单的输入提供很好的解释,因此处理高维的输入信息时更具优势。同时,针对不同遥感图像具有不同噪声属性的问题,该模型给出了更高效的解决方法,平衡了失真度和稀疏度。(2)提出了基于聚类正则的多目标稀疏特征学习模型,并提出了基于该模型的变化检测方法。为增强网络性能,使网络能直接利用有限的准确率不高的训练样本,提出了基于聚类正则的多目标稀疏特征学习方法。该方法在多目标稀疏模型的有监督学习部分,使用了一种新的让网络特征构造聚类中心正则项的方法,而加入聚类正则项的网络模型目标函数是易优化的k-means形式。该方法不仅避免了样本选择带来判别结果不确定的问题,且该网络能够学习更复杂更抽象的特征。