高分辨率遥感影像智能变化检测是遥感数据解译的前沿热点课题之一，但受到成像条件与地物多样性、复杂性等因素的影响，自动识别解译的难度较大，制约了其实际应用的潜力。针对当前高分辨率遥感影像变化检测过程中，存在多类型地物语义特征尚未有效利用、深度学习训练集构建困难等问题，缺乏对复杂成像条件下目标多态性语义特征的有效支持，而深度学习在处理复杂非线性问题和多态性语义特征方面具有巨大的优势。有基于此，本文提出基于语义特征融合的高分辨率遥感影像深度学习变化检测方法，以支持目标多态性语义特征融合与自学习为核心，将具有共享权重的伪孪生网络为框架，结合语义特征感知和域自适应空间方法，模拟与分析多时相影像目标特征的多态性；同时，根据多时相遥感影像中未变化目标应具有相同语义特征，而变化目标其语义特征具有差异性这一特点，深入挖掘目标本质特征方法，最终获取多时相高分辨率遥感影像变化信息。此外，本研究方法所采用的编码-解码过程中，编码阶段能够通过共享权重的伪孪生网络分别提取和学习多时相高分辨率遥感影像的语义特征；在解码阶段充分利用多时相影像间的时间和尺度关联性，对目标特征进行融合与分析，最终获取高精度的变化检测信息。本文利用多时相语义特征融合的高分辨率遥感影像变化检测方法，以期提高遥感智能变化检测的精度和完整性，发掘高分辨率遥感影像的应用潜力。
 

高分辨率；深度学习；特征融合；变化检测