Le but de la détection de changements dans les images de télédétection (RSCD) consiste à identifier les différences entre deux images bi-temporelles prises au même endroit. L'apprentissage profond a été largement appliqué aux tâches de RSCD, permettant d'obtenir des résultats significatifs en termes de reconnaissance des changements. Toutefois, en raison de l'angle d'acquisition satellite, de la présence de nuages fins et de certaines conditions d'éclairage, les algorithmes actuels de RSCD peinent à traiter correctement le problème des contours flous dans les régions de changement présents sur certaines images de télédétection. Pour résoudre ce problème, nous proposons un nouveau modèle, appelé BD-MSA (Body Decouple Multi-Scale par Agrégation de Features), qui collecte à la fois des informations de cartes de caractéristiques globales et locales, selon les dimensions canal et espace, durant les phases d'entraînement et de prédiction. Cette approche permet d'extraire avec succès les informations relatives aux frontières de la région de changement tout en séparant efficacement le corps principal de cette région de ses contours. De nombreuses études montrent que, sur les jeux de données publics DSIFN-CD, S2Looking et WHU-CD, les métriques d'évaluation et les performances du modèle proposé dépassent celles des autres modèles existants.