Die Änderungserkennung ist eine zentrale Aufgabe in der Analyse von Fernerkundungsbildern (Remote Sensing, RS). Mit dem Fortschritt des Deep Learning und der Zunahme an RS-Daten werden zunehmend Methoden zur Änderungserkennung auf der Basis überwachter Lernverfahren entwickelt. In diesem Beitrag verbessern wir das semantische Segmentierungsnetzwerk UNet++ und stellen ein vollständig konvolutionales Siamese-Netzwerk (Siam-NestedUNet) für die Änderungserkennung vor. Wir kombinieren jeweils drei verschiedene Siamese-Architekturen mit UNet++ und untersuchen so den Einfluss unterschiedlicher Siamese-Strukturen auf die Änderungserkennung unter Verwendung eines Backbone-Netzwerks mit starken Merkmalsextraktionsfähigkeiten. Darüber hinaus berücksichtigen wir aufgrund der mehrfachen Ausgaben im Siam-NestedUNet eine Reihe von Experimenten, um die Bedeutung der Ausgaben auf verschiedenen semantischen Ebenen zu analysieren. Die experimentellen Ergebnisse zeigen, dass unsere Methode signifikante Verbesserungen hinsichtlich mehrerer Kenngrößen erzielt, darunter Genauigkeit, Recall, F1-Score und Gesamtgenauigkeit, und somit eine bessere Leistung als andere aktuelle State-of-the-Art-Methoden zur Änderungserkennung erbringt. Die Implementierung unserer Methode wird unter https://github.com/likyoo/Siam-NestedUNet veröffentlicht.