变化检测是地球观测应用中的关键任务。近年来，基于深度学习的方法展现出优异的性能，并迅速被广泛应用于变化检测领域。然而，目前广泛采用的多编码器单解码器（Multiple Encoder and Single Decoder, MESD）以及双编码器-解码器（Dual Encoder-Decoder, DED）架构在处理变化检测任务时仍存在局限性。前者在特征级融合过程中易受双时相特征干扰，后者则难以适用于类别内变化检测以及多视角建筑物变化检测任务。为解决上述问题，本文提出一种新型策略——基于语义引导与空间定位的交换式双编码器-解码器结构（Exchangeable Dual Encoder-Decoder with Semantic Guidance and Spatial Localization, SGSLN），用于二值变化检测。该策略通过在决策层融合双时相特征，有效缓解了MESD架构中特征级融合带来的双时相干扰问题；同时，利用双时相语义特征确定变化区域，克服了DED架构在类别内及多视角变化检测中的适用性不足。基于该策略，我们构建了一种二值变化检测模型，并在三种典型场景下的六个数据集上进行了验证与对比实验，涵盖类别内变化检测数据集（CDD、SYSU）、单视角建筑物变化检测数据集（WHU、LEVIR-CD、LEVIR-CD+）以及多视角建筑物变化检测数据集（NJDS），并与18种当前先进的变化检测方法进行了系统比较。实验结果表明，所提模型在保持高效性的同时，取得了显著优越的性能，在CDD、SYSU、WHU、LEVIR-CD、LEVIR-CD+和NJDS数据集上的F1分数分别达到97.77%、83.07%、94.86%、92.33%、91.39%和74.35%。该工作的代码将开源，发布于：https://github.com/NJU-LHRS/official-SGSLN。