Die Änderungserkennung in hochaufgelösten Fernerkundungsbildern ist entscheidend für das Verständnis von Veränderungen der Erdoberfläche. Da herkömmliche Methoden zur Änderungserkennung aufgrund der feinen Bilddetails und komplexen Texturmerkmale in hochaufgelösten Bildern für diese Aufgabe ungeeignet sind, wurden zahlreiche auf tiefen Lernverfahren basierende Ansätze vorgeschlagen, um die Leistung der Änderungserkennung zu verbessern. Obwohl die aktuellsten Methoden, die auf tiefen Merkmalen basieren, alle anderen tiefen Lern-basierten Verfahren zur Änderungserkennung übertrumpfen, stammen die Netzwerke in den bisherigen Ansätzen meist aus Architekturen, die ursprünglich für die semantische Segmentierung einzelner Bilder entwickelt wurden. Die Übertragung dieser Netzwerke auf die Aufgabe der Änderungserkennung wirft jedoch weiterhin einige zentrale Probleme auf. In diesem Beitrag stellen wir ein tief supervidiertes Bildfusionssystem (IFN) für die Änderungserkennung in hochaufgelösten zweizeitlichen Fernerkundungsbildern vor. Konkret werden zunächst hochrepräsentative tiefen Merkmale zweizeitlicher Bilder mittels eines vollständig konvolutionellen Zweistrom-Netzwerks extrahiert. Anschließend werden die extrahierten tiefen Merkmale in ein tief supervidiertes Differenzdiskriminierungsnetzwerk (DDN) eingespeist, um die Änderungserkennung durchzuführen. Um die Randvollständigkeit und innere Kompaktheit der Objekte in den Ausgabekarten der Änderungserkennung zu verbessern, werden mehrstufige tiefe Merkmale der Rohbilder mittels Aufmerksamkeitsmodule mit Differenzmerkmalen der Bilder fusioniert, um die Rekonstruktion der Änderungskarten zu ermöglichen. Das DDN wird zudem durch die direkte Einführung von Änderungskartenverlusten in Zwischenschichten des Netzwerks weiter verbessert, wobei das gesamte Netzwerk end-to-end trainiert wird. Das IFN wurde auf einem öffentlich verfügbaren Datensatz sowie auf einem anspruchsvollen Datensatz angewendet, der zweizeitliche Bilder aus mehreren Quellen aus Google Earth enthält, die verschiedene Städte in China abdecken. Sowohl visuelle Auswertung als auch quantitative Bewertung bestätigen, dass das IFN vier Benchmark-Methoden aus der Literatur übertrifft, indem es veränderte Gebiete mit vollständigen Rändern und hoher innerer Kompaktheit im Vergleich zu den aktuellsten Methoden liefert.