遥感图像变化检测（Change Detection, CD）旨在识别不同时相影像之间的显著变化。给定两幅在不同时间获取且已精确配准的影像，光照变化与配准误差往往掩盖了真实的地物变化信息。探索不同时空像素之间的关联关系，有助于提升变化检测方法的性能。本文提出一种基于孪生网络的时空注意力神经网络模型。与以往方法仅分别编码双时相影像、未充分考虑有效时空依赖关系不同，我们设计了一种新型的CD自注意力机制，用于建模像素间的时空关联。该机制被集成于特征提取过程之中，能够计算不同时刻、不同位置任意两像素之间的注意力权重，并据此生成更具判别性的特征表示。考虑到地物目标可能具有不同尺度，我们采用多尺度子区域划分策略，并在每个子区域内引入自注意力机制。由此，模型可在多种尺度上捕捉时空依赖关系，从而生成更优的特征表示，以适应不同尺寸的目标变化。此外，我们构建了一个新的CD数据集LEVIR-CD，其规模较该领域其他公开数据集大两个数量级。LEVIR-CD包含大量双时相的Google Earth影像，共637对图像（每幅1024×1024像素），并包含超过3.1万个独立标注的变化实例。实验结果表明，所提出的自注意力模块在保持可接受计算开销的前提下，将基线模型的F1分数从83.9提升至87.3。在公开遥感图像变化检测数据集上的对比实验进一步验证了本方法优于多种现有先进方法。