近几十年来,遥感成像技术不断成熟,时空谱分辨率不断提高,遥感数据的开放共享也已是大势所趋。海量、异质、空时遥感大数据的开放共享、云计算平台算力的显著提升和以机器学习、深度学习等为代表的人工智能算法的长足进步,尤其是以谷歌地球引擎为代表的遥感大数据云处理平台的出现,集成数据、算力和算法于一体,必将加速遥感大数据在农业监测、防灾减灾、环境资源保护和土地利用等近实时甚至实时的应用,为人类社会创造巨大的社会价值和经济效益。随着数据、算力和算法的发展,变化检测作为空时遥感数据的主要应用之一,将经历从两时多时到时序、从同源到多源、从两维到多维以及从小尺度到大尺度的转变,本文从以下五个方面对变化检测问题进行了初步的方法和应用研究。针对不同空间分辨率多时遥感影像变化检测问题,本文第二章提出了一种基于深度堆栈自编器的特征映射网络结构,并验证了其在同源和异源数据上的有效性。由于多时遥感影像在空间分辨率上及获取条件(如天气、光照等)上的不同,使得不同分辨率影像在原始观测空间往往难以进行直接比较和分析。二值变化检测的核心是准确地估计多时影像之间的差异程度,那么如何压制未变化样本之间的差异程度就成为构造高质量差异图的关键。基于此,我们设计了一个特征特映射网络架构,并通过传统无监督技术选择可信的未变化样本供其训练,显著地缩小了未变化样本之间的特征差异,成功构造出高对比度的变化程度图。针对空时异源遥感影像变化检测问题,本文第三章基于耦合字典学习提出了一种有效的异源影像变化检测框架。由于成像机制的不同,不同传感器对相同地物往往得到不同的数据描述,以致于很难对多源异质遥感影像进行直接比较和分析。异源影像虽是对相同场景的不同描述,但本质上是具备可比性的。因而,我们通过建立耦合字典学习模型,将空时多源数据从原始观测空间映射到一个具备可比性的高维特征空间,以实现两时异源遥感影像之间的间接比较分析。该模型通过耦合字典模型分析了异源数据之间的潜在差异,进而估计差异程度,然后迭代地选择更可靠的训练样本以逐步纯化,最终获得耦合度更高的字典对,实现异源数据之间的无监督变化检测。针对空时遥感影像联合解译中的多类型变化检测问题,本文第四章提出了一个深度差异表示学习网络模型。随着遥感影像在空间、时间和光谱分辨率上的提高,空时影像的联合解译越发重要,而多类型变化检测是利用多时影像对地表动态变化进行检测、分类和解译,进而分析人类活动与地球环境变化之间的联系。深度网络的训练往往依赖于大量带标注的训练样本,而在遥感领域,带标注的训练样本十分有限。本文提出一种深度差异表示学习网络模型,将特征学习、差异估计和差异表示学习三个任务进行联合建模和训练,从而更精确地估计差异程度和学习可区分的、对聚类友好的差异表示来表征不同类型的变化。本文通过建立差异表示学习网络模型,将深度网络与聚类的优势相结合,弥补了两者的不足,实现了空时影像高效的多类型变化检测之目的。针对野火近实时监测的实际应用需求,本文第五章将Sentinel-2和Landsat-8光学多光谱数据结合,通过对归一化差异燃烧比时序进行季节-趋势建模,将差异燃烧比时序分解为季节性谐波项、线性趋势项和残差项。季节性谐波项被用来去除差异燃烧比时序中季节性物候学正常变化,而线性趋势项被用来降低长期的植被变化趋势对野火监测造成的干扰。然后根据野火发生前残差项的均值和标准差来估计灾后残差项相对于灾前残差标准差的变化倍数,从而更准确地估计燃烧程度和确定燃烧区域。此外,对归一化燃烧比进行季节-趋势性建模,可以预测野火发展当天正常的归一化燃烧比图,摆脱了传统方法估计燃烧程度对灾前无云参考图的依赖,显著增强了燃烧区域的可检测性,且非常有助于对野火发生后植被的恢复情况进行监测和评估。针对变化检测在城市扩张中的实际应用,本文第六章以陕西省西安市为主要研究区域,基于多源数据观测对其2010年到2015年发生的变化进行估计和确定新建建筑区域。由于雷达干涉相干图能够较好地增强建筑区域,本文首先分别基于随机像素采样和超像素采样两种方式分别对PALSAR L波段HH、ENVISAT/Sentinel-1 C波段VV和TerraSAR X波段HH散射强度与同年度C波段相干程度图之间的相关性进行分析,发现基于超像素的相关性远好于基于像素。其次,本文基于超像素采样系统地分析了雷达散射强度测量分别与雷达相干度测量和光学归一化差异建筑指数之间的相关性、不同波长的雷达强度测量之间的相关性以及同源数据在不同时间观测的相关性,并对多源数据两时变化量之间的相关性进行了深入分析,证实了多源数据融合的必要性和显著优势。最后,基于多源观测量和变化量之间的关系,提出了一种基于最小化多源变化估计之间的平均互信息来统一选择百分位对多源变化估计进行二值化,并将多源变化检测结果进行融合,从而实现了对西安市的新建建筑区域的检测,并在高分辨率TerraSAR数据上对融合结果进行了验证。