遥感变化检测（Remote Sensing Change Detection, RSCD）旨在通过分析多时相遥感影像，识别区域内的目标变化，具有重要的区域发展监测价值。现有RSCD方法主要致力于在空间域进行上下文建模，以增强目标变化的表达。尽管取得了令人满意的性能，但缺乏对频域知识的利用，限制了模型性能的进一步提升。本文提出一种基于双域学习（即频域与空间域）的RSCD网络——DDLNet。具体而言，我们设计了频域增强模块（Frequency-domain Enhancement Module, FEM），利用离散余弦变换（Discrete Cosine Transform, DCT）从输入的双时相影像中提取频域特征，从而增强目标变化信息；同时，我们构建了空间域恢复模块（Spatial-domain Recovery Module, SRM），用于融合时空特征，以重建变化表征的空间细节。在三个基准RSCD数据集上的大量实验表明，所提方法达到了当前最优的性能水平，并在精度与效率之间实现了更优的平衡。相关代码已公开，获取地址为：https://github.com/xwmaxwma/rschange。