In den letzten Jahren haben Methoden zur Erkennung von Gebäudewechsel durch die Einführung des Deep Learnings große Fortschritte gemacht, leiden aber weiterhin daran, dass die extrahierten Merkmale nicht ausreichend diskriminativ sind, was zu unvollständigen Regionen und irregulären Grenzen führt. Um dieses Problem anzugehen, schlagen wir ein Modell eines tiefen Siamesischen Faltungsnetzes mit doppelter Aufgabenbeschränkung (DTCDSCN) vor, das drei Teilnetze umfasst: ein Netz zur Erkennung von Veränderungen und zwei Netze zur semantischen Segmentierung. DTCDSCN kann gleichzeitig Veränderungen erkennen und semantische Segmentierung durchführen, was hilfreich ist, um objektorientierte Merkmale besser zu lernen und eine vollständige Karte der Veränderungen zu erhalten. Darüber hinaus führen wir ein Modul mit doppelter Aufmerksamkeit (DAM) ein, um die Abhängigkeiten zwischen Kanälen und räumlichen Positionen auszunutzen, was die Merkmalsrepräsentation verbessert. Wir verbessern auch die Focal Loss-Funktion, um das Problem der Stichprobenungleichgewichtung zu reduzieren. Die experimentellen Ergebnisse, die mit dem WHU-Gebäudedatensatz erzielt wurden, zeigen, dass die vorgeschlagene Methode für die Erkennung von Gebäudewechsel effektiv ist und einen Stand-der-Technik-Leistung in Bezug auf vier Metriken erreicht: Präzision, Recall, F1-Score und Intersection over Union (IoU).