近年来,随着科技的发展和提高,城市规模与自然环境在不断更新变化,土地资源利用率不断提升,利用遥感影像对地物变化进行及时准确的检测、监控已成为环境资源调查和管理、城市规划和发展等不可缺少的重要手段之一。而随着遥感影像分辨率的不断提高,虽然高分辨率遥感影像能够带来更丰富的地物细节,但也导致不同地物之间存在相似性,传统的检测方法和单一特征无法对这些地物进行有效区分。针对上述问题,本文首先介绍传统的分割和变化检测方法的不足之处,其次,在基于面向对象分析的方法下,以超像素为基础进行初始分割,并将初始分割区域的多种特征进行组合优化后进行区域合并。最后,提出一种决策级融合方法,实现对象和像素相结合的遥感影像变化检测。本文的主要研究内容如下:1.提出一种基于超像素分割的区域合并算法,首先在原始简单线性迭代聚类算法(Simple Linear Iterative Clustering,SLIC)的基础上加入纹理特征,获取影像初始分割对象。然后提取对象中的光谱,纹理来计算对象间的相似性度量值,构建最近邻模型。最后依据图模型并结合光谱和形状特征计算合并代价函数对超像素进行合并。实验结果表明,该方法能灵活调整分割尺度大小,保留对象细节,提高分割精度。2.为解决变化检测效果受分割尺度的影响,提出一种决策级融合算法。首先对不同时期影像进行分割,获得叠合分割标签,然后通过特征选择方法对两期影像提取的特征进行筛选,得到最优特征子集。其次,利用直接比较和分类后比较两种方式获得像素级和对象级检测结果。最后,利用决策算法对两种检测结果的变化区域进行判别,获得最终的变化检测结果。实验表明,该方法在地物特征多,分布不规则的场景下,能够获得更高精度的检测结果并检测到细微的变化细节。