Die rasante Entwicklung automatisierter künstlicher Intelligenz-Algorithmen und Fernerkundungsinstrumente hat Aufgaben der Veränderungsdetektion (Change Detection, CD) erheblich vorangetrieben. Dennoch besteht weiterhin erheblicher Forschungsbedarf hinsichtlich einer präzisen Erkennung, insbesondere bezüglich der Erhaltung der Kantenintegrität und des Phänomens innerer Löcher in Veränderungsmerkmalen. Um diese Herausforderungen zu bewältigen, entwickeln wir das Change Guiding Network (CGNet), um das Problem der unzureichenden Ausdruckskraft von Veränderungsmerkmalen im klassischen U-Net-Architekturansatz, wie er in früheren Methoden verwendet wurde, zu beheben. Dieses Manko führt zu ungenauen Kantenidentifikationen und inneren Löchern in den Ergebnissen. Durch die Generierung von Veränderungskarten aus tiefen Merkmalen mit reichhaltiger semantischer Information als Vorwissen wird die multimodale Merkmalsfusion unterstützt, wodurch die Ausdruckskraft der Veränderungsmerkmale signifikant verbessert wird. Gleichzeitig stellen wir einen selbst-attentiven Modul namens Change Guide Module (CGM) vor, der in der Lage ist, langstreckige Abhängigkeiten zwischen Pixeln effektiv zu erfassen und somit das Problem des begrenzten Empfindungsfelds herkömmlicher konvolutionaler Neuraler Netze überwinden kann. Wir validieren die Nützlichkeit und Effizienz des CGNet an vier zentralen CD-Datensätzen. Eine große Anzahl von Experimenten sowie Ablationsstudien belegt die Wirksamkeit des vorgeschlagenen Ansatzes. Die Quellcode-Implementierung wird auf GitHub unter https://github.com/ChengxiHAN/CGNet-CD öffentlich zugänglich gemacht.