遥感图像变化检测是从来自不同时间同一地区的两幅或多幅遥感图像中检测和分析地表变化的信息。随着遥感技术的发展,遥感图像变化检测技术已经广泛的应用于森林环境检测、城市规划、自然灾害评估、军事侦查等。通常在进行图像变化检测前,需要对待处理的图像进行配准,而图像配准的精度又严重影响变化检测的结果。本论文对基于特征的遥感图像配准与变化检测展开研究,对已有的方法进行改进,目前取得的主要研究成果有以下两方面:(1)提出一种面向特征匹配的遥感图像配准方法。经典的随机采样一致性方法在匹配正确率低的情况下很难得到精确的结果,所提算法结合点特征匹配的特点,通过两个不同的阈值分别得到采样集与一致性验证集。采样集通过严格的阈值限制得到正确率较高的匹配对,而验证集通过宽松的阈值限制得到更多的正确匹配对。之后我们采用初始匹配的位置信息来获得更多的正确匹配点。所提算法的有效性在多个数据集上得到验证。相比随机采样一致性算法,所提算法可以使用较少的迭代次数便可以产生更多的正确匹配点。(2)本论文对于基于特征的遥感图像变化检测问题进行了研究。提出了基于卷积神经网络的遥感图像变化检测方法。卷积神经网络是将多层人工神经网络和卷积运算相结合的一种网络结构,它可以获得的更加自然的特征,同时拥有一定的鲁棒性。该方法先通过预分类的方法得到初始的检测结果,然后将初始结果作为网络的训练样本,最后使用训练好的网络直接作用于待检测图像以获得最终变化检测结果。实验结果表明所提算法具有更好的检测能力和鲁棒性。