Die Fernerkundungsbasierte Veränderungserkennung (Remote Sensing Change Detection, RSCD) zielt darauf ab, interessierende Veränderungen in einer Region durch die Analyse mehrzeitlicher Fernerkundungsbilder zu identifizieren, und besitzt einen hohen Wert für die Überwachung lokaler Entwicklungen. Bestehende RSCD-Methoden konzentrieren sich auf die Modellierung kontextueller Informationen im räumlichen Bereich, um die interessierenden Veränderungen zu verstärken. Trotz der erzielten zufriedenstellenden Leistungsfähigkeit beschränkt das Fehlen von Wissen im Frequenzbereich die weitere Verbesserung der Modellleistung. In diesem Artikel stellen wir DDLNet vor, ein RSCD-Netzwerk auf Basis eines Dual-Domain-Lernansatzes (d.h. Frequenz- und räumlicher Bereich). Insbesondere entwerfen wir ein Frequency-domain Enhancement Module (FEM), um Frequenzkomponenten aus den Eingabebilderpaaren (bi-temporalen Bildern) mittels diskreter Kosinustransformation (Discrete Cosine Transform, DCT) zu extrahieren und so die interessierenden Veränderungen zu verstärken. Zusätzlich entwickeln wir ein Spatial-domain Recovery Module (SRM), um räumlich-zeitliche Merkmale zu fusionieren und räumliche Details der Veränderungsdarstellungen wiederherzustellen. Umfangreiche Experimente auf drei etablierten Benchmark-RSCD-Datensätzen zeigen, dass die vorgeschlagene Methode eine state-of-the-art-Leistung erzielt und ein zufriedenstellenderes Verhältnis zwischen Genauigkeit und Effizienz erreicht. Der Quellcode ist öffentlich unter https://github.com/xwmaxwma/rschange verfügbar.