La détection de changements est une tâche essentielle dans l’analyse des images de télédétection (RS). Avec le développement du deep learning et l’augmentation des données RS, un nombre croissant de méthodes de détection de changements basées sur l’apprentissage supervisé ont été proposées. Dans cet article, nous améliorons le réseau de segmentation sémantique UNet++ et proposons un réseau fully convolutional à architecture siamoise (Siam-NestedUNet) dédié à la détection de changements. Nous combinons trois types de structures siamoises avec UNet++ afin d’étudier l’impact de ces architectures sur la tâche de détection de changements, dans le cadre d’un réseau principal (backbone) doté d’une forte capacité d’extraction de caractéristiques. En outre, compte tenu des multiples sorties du modèle Siam-NestedUNet, nous avons conçu une série d’expériences pour explorer le niveau d’importance des sorties aux différents niveaux sémantiques. Selon les résultats expérimentaux, notre méthode améliore significativement plusieurs indicateurs, notamment la précision, le rappel, le score F1 et l’accuracy globale, et présente une performance supérieure à celle d’autres méthodes de détection de changements de pointe (SOTA). Le code source de notre implémentation sera publié à l’adresse suivante : https://github.com/likyoo/Siam-NestedUNet.