Der Zweck der Veränderungserkennung in Fernerkundungsbildern (RSCD) besteht darin, Unterschiede zwischen zweibildlichen Aufnahmen desselben Ortes zu detektieren. Tiefes Lernen wird seit langem intensiv für RSCD-Aufgaben eingesetzt und hat hinsichtlich der Erkennungsergebnisse signifikante Fortschritte erzielt. Allerdings können aktuelle RSCD-Algorithmen das Problem verschwommener Kanten im Veränderungsgebiet in bestimmten Fernerkundungsbildern aufgrund des Satellitenaufnahmewinkels, dünner Wolken und spezifischer Beleuchtungsbedingungen nicht ausreichend bewältigen. Um dieses Problem zu lösen, schlagen wir ein neuartiges Modell vor: den Body-Decouple-Multi-Scale-Modell mit Merkmalsaggregation (BD-MSA). Dieses Modell sammelt während der Trainings- und Vorhersagephasen sowohl globale als auch lokale Merkmalskarteninformationen in Kanal- und Raumdimensionen der Merkmalskarte. Diese Vorgehensweise ermöglicht es uns, die Randinformationen des Veränderungsgebiets erfolgreich zu extrahieren und gleichzeitig den Hauptkörper des Veränderungsgebiets von dessen Rand zu entkoppeln. Zahlreiche Studien haben gezeigt, dass das in diesem Artikel vorgestellte Modell im Vergleich zu anderen Modellen die besten Bewertungsmaße und Evaluierungsergebnisse auf den öffentlich verfügbaren Datensätzen DSIFN-CD, S2Looking und WHU-CD erzielt.