变化检测（Change Detection, CD）作为地球观测领域的核心问题之一，近年来受到广泛关注。随着卫星传感器技术的快速发展，高分辨率多光谱影像（Very-High-Resolution Multispectral Imagery, VHR）的获取日益便捷，极大地丰富了变化检测的数据源，为识别地表变化提供了丰富的线索。然而，精确识别真实变化区域依然是一个重大挑战。本文提出一种面向VHR影像的端到端超像素增强变化检测网络（End-to-end Superpixel-enhanced Change Detection Network, ESCNet），该方法将可微分的超像素分割与深度卷积神经网络（Deep Convolutional Neural Network, DCNN）相结合。针对双时相图像对，设计了两个权重共享的超像素采样网络（Superpixel Sampling Networks, SSNs），分别用于特征提取与超像素分割。随后，采用基于UNet结构的孪生神经网络挖掘两时相图像之间的差异信息。在此基础上，利用超像素对像素级特征图中的潜在噪声进行抑制，同时有效保留边缘结构，为此引入了一种新型超像素化模块以实现该目标。此外，为缓解对超像素数量的依赖性，本文提出一种创新的自适应超像素合并模块（Adaptive Superpixel Merging, ASM），该模块结构简洁且完全可微，能够动态调整超像素的粒度。同时，在网络末端附加了一个基于多层级解码特征的像素级精细化模块，进一步提升检测精度。在两个公开数据集上的实验结果表明，与传统方法及当前最先进的深度学习变化检测（Deep Learning-based Change Detection, DLCD）方法相比，ESCNet在检测性能上具有显著优势，验证了其有效性与先进性。