La detección de cambios mediante teledetección puede obtener información sobre cambios en la superficie terrestre, lo que es de gran importancia para comprender la interacción entre el ser humano y la naturaleza y promover el desarrollo sostenible. Con la mejora de la tecnología de imágenes de teledetección y el rápido desarrollo de las ciencias de la computación, las imágenes hiperespectrales, de alta temporalidad y alta resolución espacial se han aplicado ampliamente, lo que ha promovido el desarrollo de la detección de cambios basada en aprendizaje profundo y su exitosa aplicación en múltiples campos. A diferencia de la detección tradicional de cambios por teledetección, la detección basada en aprendizaje profundo extrae características profundas de las imágenes sin necesidad de construir ingeniería de características, mejorando la precisión y eficiencia de la detección. Este artículo combina la bibliometría para analizar exhaustivamente el estado de la investigación y los temas candentes en el campo, descubriendo que la detección de cambios basada en aprendizaje profundo ha crecido rápidamente bajo el liderazgo de instituciones y académicos nacionales, logrando una gran cantidad de resultados de investigación. Estos resultados se basan principalmente en imágenes de alta resolución y redes CNN, y se han aplicado con éxito en la detección de cambios en el uso/cobertura del suelo y la construcción, entre otros. Sobre esta base, se introduce una clasificación de los métodos de detección de cambios basados en aprendizaje profundo según tres granularidades: píxel, objeto y escena, explicando el proceso de extracción de características y análisis de red subsecuente en cada granularidad, siendo los métodos basados en objeto y escena ventajosos. Finalmente, se resumen los desafíos actuales y las posibles direcciones futuras. Debido al desarrollo de las plataformas de teledetección y al aumento de las demandas de aplicación, la detección de cambios multimodal y heterogénea es una tendencia futura. Además, los métodos de aprendizaje profundo deben superar problemas con muestras no ideales, centrarse en la obtención de información diversa sobre los cambios y promover la amplia aplicación de la detección de cambios.

teledetección; detección de cambios; aprendizaje profundo; bibliometría; clasificación de métodos; desafíos y desarrollo; revisión