提出了一种改进U-Net的遥感图像中建筑物变化检测方法，将变化检测问题转化为像素级二分类问题，利用U-Net模型对图像进行分类，把图像中的每个像素划分为变化类或非变化类，并根据变化类的像素得到建筑物的变化检测结果图。针对U-Net模型进行遥感图像中建筑物变化检测时，在训练中容易出现过拟合的现象，提出用非对称卷积块代替U-Net网络特征提取部分的标准卷积操作，增强卷积核的鲁棒性和网络的中心骨架，防止过拟合；针对变化检测数据集中图像背景复杂、小目标的变化情况容易被漏检的问题，提出在U-Net中引入注意力机制，抑制模型对非变化类像素特征的学习，加强对变化类特征的学习，提取到更适合的特征。实验结果表明，在引入非对称卷积块和注意力机制后，变化检测的F1分数有明显的提升。
