La détection de changements (CD) dans les images de télédétection vise à identifier des modifications significatives entre deux images prises à des instants différents. Étant donné deux images co-enregistrées acquises à des moments distincts, les variations d'éclairage et les erreurs de non-alignement masquent souvent les véritables changements d'objets. Explorer les relations entre différents pixels spatio-temporels peut améliorer les performances des méthodes de détection de changements. Dans ce travail, nous proposons un nouveau réseau neuronal à attention spatio-temporelle basé sur une architecture de type Siamese. Contrairement aux méthodes antérieures qui codent séparément les deux images temporelles sans exploiter de dépendances spatio-temporelles utiles, nous avons conçu un mécanisme d'attention auto-associative spécifique à la CD afin de modéliser ces relations spatio-temporelles. Nous intégrons un nouveau module d'attention auto-associative dans la phase d'extraction de caractéristiques. Ce module calcule les poids d'attention entre n'importe quelle paire de pixels situés à des instants ou positions spatiales différentes, et les utilise pour générer des caractéristiques plus discriminantes. Étant donné que les objets peuvent présenter des échelles variées, nous partitionnons l'image en sous-régions multi-échelles et appliquons l'attention auto-associative dans chaque sous-région. Ainsi, nous pouvons capturer des dépendances spatio-temporelles à différentes échelles, permettant ainsi de produire des représentations améliorées capables de modéliser des objets de tailles diverses. Nous introduisons également un nouveau jeu de données pour la CD, LEVIR-CD, dont la taille est deux ordres de grandeur supérieure à celle des autres jeux de données publics dans ce domaine. LEVIR-CD comprend un grand ensemble d'images bitemporielles provenant de Google Earth, comprenant 637 paires d'images (1024 × 1024) et plus de 31 000 instances de changements indépendamment annotées. Le module d'attention proposé améliore le score F1 de notre modèle de référence de 83,9 à 87,3, avec un surcoût computationnel acceptable. Les résultats expérimentaux sur un jeu de données public de télédétection montrent que notre méthode surpasser plusieurs autres méthodes de pointe.