Die Change-Detection (CD) hat das Ziel, die Unterschiede zwischen zwei Bildern zu verschiedenen Zeitpunkten zu erkennen und eine Änderungskarte zu generieren, die darstellt, ob ein Bereich verändert wurde oder nicht. Um bessere Ergebnisse bei der Generierung der Änderungskarte zu erzielen, entwerfen viele state-of-the-art (SoTA)-Methoden ein tiefes Lernmodell mit hoher Diskriminierfähigkeit. Dennoch erzielen diese Methoden geringere Leistungen, da sie räumliche Informationen und Skalierungsänderungen zwischen Objekten ignorieren, was zu unscharfen oder falschen Grenzen führt. Zudem vernachlässigen sie auch die interaktiven Informationen zwischen den beiden verschiedenen Bildern. Um diese Probleme zu mildern, schlagen wir unser Netzwerk vor: das Scale and Relation-Aware Siamese Network (SARAS-Net), um dieses Problem anzugehen. In dieser Arbeit werden drei Module vorgestellt, die relation-aware, scale-aware und cross-transformer umfassen, um das Problem der Szene-Änderungserkennung effektiver zu lösen. Um unsere Modellvorhersagen zu überprüfen, testeten wir drei öffentliche Datensätze, einschließlich LEVIR-CD, WHU-CD und DSFIN, und erzielten state-of-the-art Genauigkeit. Unser Code ist unter https://github.com/f64051041/SARAS-Net verfügbar.