چکیده: تشخیص خودکار تغییرات در تصاویر رادار SAR روندی است که در آن دو تصویر ثبت شده از یک موقعیت جغرافیایی یکسان و در زمان های مختلف، توسط الگوریتم های رایانه ای توسعه یافته شده برای این هدف، مورد تحلیل و بررسی قرار می گیرند تا تغییرات رخ داده در گذر زمان مشخص شوند. این کار نقش کلیدی در به روز رسانی داده های سطح زمین دارد که امری ضروری در نظارت مدرن محسوب می شود. در این پایان نامه برای هدف تشخیص تغییرات در تصاویر رادار SAR از نوعی یادگیری عمیق موسوم به شبکه تحلیل مولفه اساسی یا PCANet همراه با بکارگیری الگوریتم تشخیص نواحی برجسته در تصویر، استفاده شده است. شبکه PCANet به علت قابلیت یادگیری رابطه غیر خطی بین قسمت های متناظر در دو تصویر مورد بررسی، نسبت به نویز موجود در این تصاویر، تاثیر پذیری بسیار کمی دارد. تشخیص برجستگی ها از سامانه بینایی زیستی که دارای یک یا چند مرکز توجه است، الهام گرفته شده است. انتخاب داده های آموزش از اهمیت ویژه ای برای دقت و راندمان در کار تشخیص تغییرات در تصاویر رادار SAR برخوردار است. قبل از به کارگیری الگوریتم تشخیص برجستگی ها، داده های آموزش از کل تصویر استخراج می شدند که منجر به زمان طولانی آموزش و عدم دقت طبقه بندی، با توجه به تعداد نامتعادل داده های دو طبقه تغییر یافته و تغییر نیافته، می شد. دلیل این عدم تعادل در تعداد داده ها تعداد بسیار بیشتر داده های کلاس تغییر نیافته نسبت به کلاس تغییر یافته بود. برای غلبه بر این چالش از ترکیب الگوریتم تشخیص برجستگی ها و شبکه PCANet استفاده شده است. برای افزایش قابلیت اطمینان داده های آموزش و کاهش تعداد نمونه های آموزش، از الگوریتم تشخیص برجستگی های زمینه-آگاه برای دریافت نواحی برجسته استفاده شده است. در این روش داده های آموزش فقط از نواحی برجسته بدست آمده، استخراج می شوند. همچنین برای افزایش بیشتر قابلیت اطمینان داده-های آموزش، تعداد داده های دو کلاس، پس از استخراج، برابر می شود. سپس شبکه PCANet با داده های آموزش استخراج شده آموزش داده شده و پیکسل های باقی مانده در نواحی برجسته، توسط این شبکه طبقه بندی می شوند. در فرایند آموزش شبکه PCANet، ابتدا پارامتر های فیلتر های PCA هر لایه بصورت تحلیلی، با استفاده از داده های آموزش، بدست می آیند. این فیلتر ها مجزا کننده ترین ویژگی های داده های آموزش را استخراج می کنند. در آخرین گام فرایند آموزش، با استفاده از ویژگی های بدست آمده، یک شبکه SVM خطی آموزش داده می شود و ابرصفحه مجزا کننده دو کلاس بدست می آید. سپس داده های آزمون توسط شبکه آموزش داده شده طبقه بندی می شوند و در نهایت نقشه تغییرات نهایی بصورت یک تصویر دودویی بدست می آید. نتایج تجربی بر روی چهار مجموعه داده تصاویر رادار سار ثبت شده در زمان های مختلف ، نشان داد که شبکه PCAnet ترکیب شده با الگوریتم تشخیص برجستگی ها عملکرد بهتری نسبت به روش-های مرجع پیشنهاد شده اخیر دارد.