摘要：【目的】传统光学遥感变化检测方法步骤繁琐、自动化程度低，而深度学习变化检测方法具有启发继承式特征表达能力，可自动学习变化模式、实现端到端变化检测，显著提升变化检测算法的精度与自动化程度，是遥感大数据时代主流变化检测方法。然而，高分遥感影像地物时空分布复杂度高，现有深度学习变化检测方法往往采用孪生编码器架构提取多时相影像特征并通过特征差值方式提取差异信息，导致差异信息建模能力不足且容易受到复杂背景、阴影和光照等因素干扰。【方法】针对以上问题，本文提出一种基于多尺度差异特征增强的全卷积变化检测网络(Multi-Scale DifferentialFeature Enhancement Network,MSDFENet),MSDFENet采用孪生编码器架构从双时相遥感影像中提取多尺度特征，通过引入非对称部分双卷积模块（Asymmetric Partial Double Convolution,APDC）降低参数数量、减少冗余信息。进一步地，通过差分运算提取差异特征以捕捉变化信息的多尺度细节。在解码阶段，设计多尺度特征注意力模块（Multi-scale Feature Attention, MSFA），通过引入空间坐标注意力机制实现深层语义特征与浅层几何特征的协同优化。最后，通过渐进式上采样逐级恢复变化区细节信息，并利用简单卷积层输出变化图。【结果】为验证本文方法的有效性，在LEVIR-CD、CDD和WHU-CD数据集上与主流深度学习变化检测方法进行对比实验与分析，定量结果表明，MSDFENet在3个数据集上均取得更优精度指标，其F1分数分别达到90.68%、94.65%和91.64%, IoU分别达到82.96%、89.78%和84.56%。目视结果显示MSDFENet可有效抑制复杂背景干扰，提高边缘定位精度，取得最优目视效果。模型复杂度分析表明，MSDFENet实现了精度与效率的最佳平衡。【结论】本文提出的MSDFENet可有效增强差异特征表达，在有效抑制复杂背景噪声干扰的同时，显著提升多尺度变化捕捉能力、改善变化检测效果。
