高分辨率遥感影像场景变化检测是通过对比分析同一地区不同时相的高分辨率遥感场景影像来分析该区域场景类别的变化情况。它能够对地表进行长期性的、周期性的有效监测,为人类社会发展提供丰富的数据支持。在遥感影像的场景变化检测方法中,可以归为两类:一类是非监督的场景变化检测方法,另一类是监督的场景变化检测方法。非监督的场景变化检测是不进行场景的识别而直接判断场景是否发生了变化,这种方法直接有效、无须先验知识,对更自动化、更高效的遥感影像场景变化检测有着很大的帮助。监督的场景变化检测方法需要进行场景类别的识别,这样能够得到更加丰富的场景变化语义信息。针对场景变化检测中的两类问题,本文主要进行了以下研究:针对非监督的遥感影像场景变化检测问题,本文提出了一种基于主题模型的非监督遥感影像场景变化检测方法。该方法首先采用主题模型进行影像场景特征的高效表达,在低维的特征子空间里,分析两幅多时相高分辨率遥感影像场景影像之间的特征相关性,利用多元变化检测方法来提高非监督遥感影像场景变化检测的效果。实验结果证明该方法能够有效的提高影像中未变化影像场景之间的相关性,有效提升非监督遥感影像场景变化的检测效果。针对监督的遥感影像场景变化检测问题,本文结合卷积神经网络和深度典型相关网络,提出了基于深度卷积典型相关网络的遥感影像场景变化检测框架。深度卷积神经网络正以其强大的视觉特征表达能力而成为当前主流的场景表达方法。深度典型相关网络能够在高维非线性空间中提高数据的时空相关性,从而提高场景识别的效果。因此,本文所提出的场景变化检测框架首先基于卷积网络的影像场景表达模型提取丰富的场景特征,然后采用深度典型相关网络在高维、非线性的特征子空间里分析两幅多时相高分辨率遥感影像场景影像之间的时空相关性,最后利用深度学习网络模型来进行场景影像分类,最终提高监督遥感影像场景变化检测的效果。实验分析发现该监督场景变化检测方法框架能够在高维特征空间中提升影像场景之间的非线性相关性,获得更加详细、精确和稳健的场景变化检测语义信息。