变化检测（CD）旨在发现不同时间拍摄的两张图像之间的差异，并生成一张变化图以表示该区域是否发生了变化。为了在生成变化图方面取得更好的效果，许多最先进（SoTA）的方法设计了具有强大区分能力的深度学习模型。然而，这些方法由于忽略了空间信息和物体之间的尺度变化，导致边界模糊或错误，因此性能仍然较低。此外，它们还忽视了两张不同图像之间的交互信息。为了解决这些问题，我们提出了一种尺度和关系感知的孪生网络（SARAS-Net）。本文提出了三个模块，包括关系感知模块、尺度感知模块和交叉变换器模块，以更有效地解决场景变化检测问题。为了验证我们的模型，我们在三个公开数据集上进行了测试，包括LEVIR-CD、WHU-CD和DSFIN，并获得了最先进（SoTA）的准确性。我们的代码可在https://github.com/f64051041/SARAS-Net 获取。