人們幾乎每天都在對自然環境進行改造，小到建筑物的修建、大到填海造陸，而這些動態發展對于自然環境的利弊則需要監控與分析。 遙感變化檢測，顧名思義，就是利用多張靜態的遙感圖像所反應的信息，在相互比較、多種處理手段下獲取各種地表信息動態變化的方式。 遙感變化檢測的工作對象是同一地區不同時期的圖像。 遙感變化檢測的正式概念是： 利用多時相遙感數據，采用多種圖像處理和模式識別方法提取變化信息，并定量分析和確定地表變化的特征與過程。
遙感圖像的變化檢測已經 廣泛地應用于如森林資源的動態監測、土地覆蓋和利用的變化監測、農業資源調 查、城市規劃布局、環境監測分析、自然災害評估、地理數據更新以及軍事偵察 中戰略目標（如道路、橋梁、機場）等的動態監視等許多領域。
雖然已經有大量的研究工作將深度學習應用在多時相遙感影像的變化檢測研究上，但對于高分辨率遙感影像的變化檢測而言，地物有更加豐富的空間/形狀特征，如何將深度學習應用于高分辨率遙感影像中，提取并學習有效的特征，減少偽變化，進一步提高變化檢測精度，是未來主要的研究方向。 隨著Hay和Niemann提出了“影像對象”的概念，各種基于影像分割結果進行影像分析的方法也逐漸出現。
基于像素的直接比較法、分類后比較法、柵格GIS矢量集成法等較成熟的方法，慢慢地也被引入面向對象的高分辨率遙感影像變化檢測中。 此外，顧及鄰域像素空間關系的方法，如水平集 (level set)、馬爾科夫隨機場 (Markov random field, MRF)、條件隨機場 (conditional random field, CRF)等方法引入到對象級變化檢測中，將光譜和空間信息進行有效結合，降低了對象級變化檢測的不確定性。 隨著遙感大數據和人工智能的發展，深度學習方法迅速被引入遙感影像變化檢測領域。 作為一種高分辨率遙感數據特征挖掘的有效手段，深度學習方法為高分影像數據的分類與變化檢測提供了一條新的途徑。
