人们几乎每天都在对自然环境进行改造，小到建筑物的修建、大到填海造陆，而这些动态发展对于自然环境的利弊则需要监控与分析。 遥感变化检测，顾名思义，就是利用多张静态的遥感图像所反应的信息，在相互比较、多种处理手段下获取各种地表信息动态变化的方式。 遥感变化检测的工作对象是同一地区不同时期的图像。 遥感变化检测的正式概念是： 利用多时相遥感数据，采用多种图像处理和模式识别方法提取变化信息，并定量分析和确定地表变化的特征与过程。
遥感图像的变化检测已经 广泛地应用于如森林资源的动态监测、土地覆盖和利用的变化监测、农业资源调 查、城市规划布局、环境监测分析、自然灾害评估、地理数据更新以及军事侦察 中战略目标（如道路、桥梁、机场）等的动态监视等许多领域。
虽然已经有大量的研究工作将深度学习应用在多时相遥感影像的变化检测研究上，但对于高分辨率遥感影像的变化检测而言，地物有更加丰富的空间/形状特征，如何将深度学习应用于高分辨率遥感影像中，提取并学习有效的特征，减少伪变化，进一步提高变化检测精度，是未来主要的研究方向。 随着Hay和Niemann提出了“影像对象”的概念，各种基于影像分割结果进行影像分析的方法也逐渐出现。
基于像素的直接比较法、分类后比较法、栅格GIS矢量集成法等较成熟的方法，慢慢地也被引入面向对象的高分辨率遥感影像变化检测中。 此外，顾及邻域像素空间关系的方法，如水平集 (level set)、马尔科夫随机场 (Markov random field, MRF)、条件随机场 (conditional random field, CRF)等方法引入到对象级变化检测中，将光谱和空间信息进行有效结合，降低了对象级变化检测的不确定性。 随着遥感大数据和人工智能的发展，深度学习方法迅速被引入遥感影像变化检测领域。 作为一种高分辨率遥感数据特征挖掘的有效手段，深度学习方法为高分影像数据的分类与变化检测提供了一条新的途径。
