Malgré les succès des méthodes basées sur l’apprentissage profond pour la détection de changements (CD), leur insuffisance actuelle en matière d’alignement temporel (canal et spatial) et multéchelle limite leur capacité à atténuer les facteurs externes — tels que les variations d’éclairage ou les différences de perspective — provenant de conditions d’acquisition différentes lors de la CD. Dans cet article, nous proposons un modèle d’alignement des caractéristiques bitemporal (BiFA) afin de produire une carte de détection de changements précise de manière légère, en réduisant l’impact des facteurs perturbateurs. Plus précisément, pour l’alignement temporel, nous introduisons le module d’interaction bitemporal (BI), qui permet d’assurer l’alignement au niveau des canaux des images bitemporales. Notre hypothèse repose sur le fait que l’introduction du module BI au stade d’extraction des caractéristiques pourrait aider à supprimer les interférences, telles que les variations d’éclairage. Parallèlement, nous proposons un module d’alignement basé sur un champ de flux différentiel (ADFF), qui estime explicitement le décalage entre les deux images bitemporales et réalise leur alignement au niveau spatial, afin de corriger les mauvaises correspondances dues à des perspectives différentes. En outre, pour l’alignement multéchelle, nous introduisons un décodeur d’alignement neuronal implicite (IND), capable de produire des cartes de prédiction plus fines en réalisant un alignement précis des caractéristiques multéchelles grâce à l’apprentissage de représentations continues d’images dans l’espace des coordonnées. Notre modèle BiFA surpasse les autres méthodes de pointe sur six jeux de données (avec une amélioration respective de 2,70 %/3,91 % et 2,01 %/2,94 % en F1-score (F1) et en indice d’intersection sur union (IoU) sur les jeux de données LEVIR+-CD et SYSU-CD). Il démontre également une robustesse accrue dans les tâches de détection de changements à résolution croisée. Le code source est disponible à l’adresse suivante : https://github.com/zmoka-zht/BiFA.