变化检测是遥感（Remote Sensing, RS）图像分析中的关键任务。随着深度学习的发展以及遥感数据的不断增长，基于监督学习的变化检测方法日益增多。本文在语义分割网络UNet++的基础上进行改进，提出了一种全卷积孪生网络（Siam-NestedUNet），用于变化检测任务。我们分别将三种不同类型的孪生结构与UNet++相结合，以探究在具备强大特征提取能力的主干网络条件下，不同孪生结构对变化检测性能的影响。此外，针对Siam-NestedUNet具有多层级输出的特点，设计了一组实验，系统分析了不同语义层级输出的重要性程度。实验结果表明，所提方法在精确率、召回率、F1分数及总体精度等多个评价指标上均有显著提升，性能优于当前多种先进的变化检测方法。相关代码实现将开源发布于：https://github.com/likyoo/Siam-NestedUNet。