La détection de changements, application essentielle des images satellites à haute résolution, vise à surveiller et analyser les évolutions de la surface terrestre au fil du temps. En raison de l’explosion du volume de données satellites à haute résolution et de la complexité des caractéristiques texturales, plusieurs méthodes basées sur l’apprentissage profond quantitatives ont été proposées. Ces approches surpassent les méthodes traditionnelles de détection de changements grâce à l’extraction de caractéristiques profondes et à la combinaison d’informations spatiales et temporelles. Toutefois, des explications raisonnées sur la manière dont ces caractéristiques profondes améliorent la performance de détection restent encore insuffisantes. Dans nos investigations, nous avons constaté que les couches de réseaux de Hopfield modernes renforcent significativement la compréhension sémantique. Dans cet article, nous proposons un réseau de détection de changements bitemporels basé sur une supervision profonde et une récupération de caractéristiques (Dsfer-Net). Plus précisément, des caractéristiques profondes hautement représentatives des images bitemporelles sont extraites conjointement par un réseau Siamese entièrement convolutif. En s’appuyant sur les informations géographiques séquentielles des images bitemporelles, nous avons conçu un module de récupération de caractéristiques permettant d’extraire des caractéristiques de différence et d’exploiter de manière profondément supervisée les informations discriminantes. Par ailleurs, nous avons observé que le module de récupération de caractéristiques profondément supervisé fournit des preuves explicites de la compréhension sémantique du réseau proposé au niveau de ses couches profondes. Enfin, notre architecture end-to-end établit un cadre novateur en agrégant les caractéristiques récupérées et les paires de caractéristiques provenant de différentes couches. Des expériences menées sur trois jeux de données publics (LEVIR-CD, WHU-CD et CDD) confirment l’avantage du Dsfer-Net proposé par rapport aux méthodes de pointe actuelles.