La détection des changements par télédétection (RSCD) vise à identifier les changements d’intérêt dans une région en analysant des images satellitaires multi-temporelles, et revêt une importance significative pour le suivi du développement local. Les méthodes actuelles de RSCD s’efforcent principalement de modéliser le contexte dans le domaine spatial afin d’améliorer la détection des changements d’intérêt. Malgré les performances satisfaisantes obtenues, la faiblesse des connaissances exploitées dans le domaine fréquentiel limite l’amélioration ultérieure de ces modèles. Dans cet article, nous proposons DDLNet, un réseau de détection des changements par télédétection fondé sur un apprentissage en domaine dual (c’est-à-dire domaines fréquentiel et spatial). Plus précisément, nous avons conçu un module d’amélioration du domaine fréquentiel (FEM) pour extraire les composantes fréquentielles à partir d’images bi-temporelles d’entrée à l’aide de la transformation en cosinus discrète (DCT), afin d’accentuer les changements d’intérêt. Par ailleurs, nous avons développé un module de récupération du domaine spatial (SRM) pour fusionner les caractéristiques spatio-temporelles afin de reconstruire les détails spatiaux des représentations des changements. Des expériences étendues sur trois jeux de données standard de RSCD démontrent que la méthode proposée atteint des performances de pointe et offre un meilleur compromis entre précision et efficacité. Le code source est disponible publiquement à l’adresse suivante : https://github.com/xwmaxwma/rschange.