En tant que tâche cruciale dans l’analyse d’images satellitaires, la détection de changements dans les images de télédétection (RSCD, Remote Sensing Change Detection) vise à identifier les changements d’intérêt dans une région à partir d’images de télédétection multi-temporelles et spatialement alignées, afin de surveiller l’évolution locale. Les méthodes existantes de RSCD modélisent généralement cette tâche comme une classification binaire, représentant les changements d’intérêt par une simple concaténation ou soustraction de caractéristiques, puis récupérant les détails spatiaux via des représentations de changement fortement connectées. Cependant, leurs performances nécessitent encore une amélioration significative. Dans cet article, nous proposons STNet, un réseau de détection de changements basé sur une fusion de caractéristiques spatiales et temporelles. Plus précisément, nous avons conçu un module de fusion de caractéristiques temporelles (TFF) pour combiner les caractéristiques bi-temporelles à l’aide d’un mécanisme de gating croisé temporel, permettant de mettre en évidence les changements d’intérêt ; un module de fusion de caractéristiques spatiales est également intégré pour capturer des informations à haute résolution grâce à un mécanisme d’attention croisant les échelles, favorisant ainsi la récupération des détails spatiaux dans les représentations de changement. Les résultats expérimentaux sur trois jeux de données standard pour la RSCD démontrent que la méthode proposée atteint des performances de pointe. Le code est disponible à l’adresse suivante : https://github.com/xwmaxwma/rschange.