变化检测技术旨在检测同一地域范围内、不同时刻拍摄的两幅图像之间的变化区域。遥感技术的发展为变化检测技术的发展提供了有效的数据依托,并且进一步推动了变化检测技术在军事、民用等领域的应用。近年来,遥感图像的变化检测方法经历了从传统的单目标、无监督的方法逐步发展到多目标、基于监督分类器的变化检测方法。虽然很多已经提出的变化检测方法已经获得了不错的检测性能,然而面对日益复杂的遥感图像数据,现有的变化检测方法的检测精度难以满足人们在实际应用中的需求,因此我们需要进一步研究探索来提升变化检测方法的性能。本文在分析国内外相关成果的基础上,提出了基于分组自步学习的变化检测框架,并为该框架提出了一个新的时变自步正则项以进一步提升检测性能,此外,我们还提出了基于自步学习和模糊聚类的进化多目标变化检测方法。本文的主要贡献如下:1.本文提出了一种基于分组自步学习的变化检测框架。该方法主要针对基于监督分类器的无监督变化检测方法中训练样本难以获取的问题,采用基于分组的自步学习方式为监督分类器挖掘可靠的训练样本。所提的变化检测框架用自步学习的机制,通过迭代地学习加权的训练样本和更新样本权重来自动地获取可靠的训练样本。具体地,在权重更新过程中,我们引入了组信息来避免训练样本取自图像的同质区域。在五个遥感图像数据集上的测试结果表明了所提变化检测框架的有效性。2.本文提出了一个新的时变自步正则项用于基于分组自步学习的变化检测框架。该时变自步正则项可以自动地为自步学习设计权重计算方案。具体地,在自步学习的初期,仅有少数训练样本被选来训练分类器,此时给这些样本较高的权重值,以便分类器充分学习训练特征与分类结果之间的映射关系;在自步学习的后期,随着步长参数值的增大,越来越多的复杂样本被用来训练,为了削弱不可靠样本对分类器的影响,仅给其中的少部分的更为可靠的样本较大的权重值,其余相对复杂的样本较小的权重值。在五个数据集上的测试结果表明了所提时变正则项的有效性。3.本文提出了基于自步学习和模糊聚类的进化多目标变化检测方法。针对多目标模糊聚类方法中由于目标函数值计算复杂而导致的候选解选择耗时的问题,我们采用回归技术来对进化过程中的子代候选解进行优越性预测。具体地,在进化过程中,我们使用自步学习为回归模型获取可靠的训练样本以获得更为鲁棒的回归模型,并从子代候选解中挑选可靠的子代解以便帮助进化算法收敛到更优的估计的Pareto最优解,从而改善多目标变化检测方法的性能。