图像的变化检测是计算机视觉领域的一个基础问题。变化检测就是分析对比同一场景在不同时刻拍摄的图像,尽可能清晰地描述图像的变化。变化检测被广泛应用于各个领域,如在生态系统管理中,对土地使用,植被覆盖及城市外貌做变化检测,来得到资源、植被环境的现状和城市的扩张情况;在交通领域,对车辆和道路做变化检测可以得到车辆违章行为及道路拥堵情况。此外,视频监控,自动驾驶等领域也都需要变化检测作为基础研究。作为上述一系列高级视觉工作的基石,变化检测始终是研究人员们重点关注的课题。传统的变化检测方法分别提取图像的颜色,纹理特征,并根据特征的变化来判断出图像的变化区域。传统方法简单直观,但是无法很好地克服环境中光照,阴影,相机位姿等噪音的影响,对环境要求较高,但是在真实场景的变化检测问题中,往往不会遇到理想的无噪音场景。为了解决光照,阴影,相机位姿等对图像变化检测的影响,本文提出了一种多尺度深度特征融合的变化检测模型,利用孪生网络提取图像特征,并逐步将高层网络特征与低层网络特征相融合,结合高层与低层信息,在有效克服噪音的同时得到准确的变化区域信息。为进一步提高模型的检测能力,本文将流体金字塔结构引入变化检测领域,提出基于单层流体金字塔的变化检测模型,利用卷积网络构建特征融合金字塔,将图像特征在金字塔内部由高到低逐层融合并传递,得到具有更强抗干扰能力的变化图。此外,在单层流体金字塔结构的基础上衍生出两种更加鲁棒的模型结构:基于流体金字塔的中间层融合网络模型和分层融合网络模型。在3个变化检测基准数据集上的实验结果均表明,本文方法能很好地克服光照、相机位姿等噪音,准确检测出图像的变化信息。