深度卷积神经网络（CNN）在遥感图像变化检测（Change Detection, CD）任务中取得了显著进展，但仍面临两大关键问题。首先，现有的多尺度特征融合方法通常采用冗余的特征提取与融合策略，导致计算成本高、内存占用大。其次，传统注意力机制在变化检测中难以同时建模空间-光谱特征，并生成三维注意力权重，忽略了空间特征与光谱特征之间的协同关系。为解决上述问题，本文提出一种高效超轻量级空间-光谱特征协同网络（Ultralightweight Spatial–Spectral Feature Cooperation Network, USSFC-Net）。该网络具有两大优势：其一，设计了一种多尺度解耦卷积（Multiscale Decoupled Convolution, MSDConv），与当前广泛使用的空洞空间金字塔池化（Atrous Spatial Pyramid Pooling, ASPP）及其变体有本质区别。MSDConv通过循环多尺度卷积灵活捕获变化目标的多尺度特征，同时显著减少参数量与计算冗余。其二，提出一种高效的空域-光谱特征协同（Spatial–Spectral Feature Cooperation, SSFC）策略，以获取更丰富的特征表示。SSFC机制区别于现有二维注意力方法，能够在不引入额外参数的前提下，学习三维空间-光谱注意力权重，有效实现空间与光谱特征的协同建模。在三个遥感图像变化检测数据集上的实验结果表明，所提出的USSFC-Net在检测精度上优于大多数基于CNN的方法，且具有更低的计算开销与更少的参数量，甚至在性能上超越部分基于Transformer的模型。相关代码已开源，地址为：https://github.com/SUST-reynole/USSFC-Net。