Les réseaux neuronaux convolutionnels profonds (CNN) ont remporté un grand succès dans la détection de changements d’images en télédétection (CD), mais ils restent confrontés à deux problèmes majeurs. Premièrement, les méthodes existantes de fusion de caractéristiques multiscales utilisent souvent des stratégies de extraction et de fusion redondantes, entraînant fréquemment des coûts computationnels élevés et une utilisation mémoire importante. Deuxièmement, le mécanisme d’attention classique utilisé en CD peine à modéliser simultanément les caractéristiques spatiales et spectrales, et à générer des poids d’attention tridimensionnels (3-D), négligeant ainsi la coopération entre les caractéristiques spatiales et spectrales. Pour résoudre ces problèmes, cet article propose un réseau ultraléger et efficace, nommé USSFC-Net (Ultralightweight Spatial–Spectral Feature Cooperation Network), dédié à la détection de changements d’images en télédétection. Le USSFC-Net présente deux avantages principaux. Premièrement, il introduit une convolution décomposée multiscale (MSDConv), qui se distingue clairement du module populaire d’atrous spatial pyramid pooling (ASPP) et de ses variantes, car elle permet de capturer de manière flexible les caractéristiques multiscales des objets modifiés grâce à une convolution cyclique multiscale. Par ailleurs, cette conception réduit considérablement le nombre de paramètres et la redondance computationnelle. Deuxièmement, une stratégie efficace de coopération entre caractéristiques spatiales et spectrales (SSFC) est proposée pour extraire des caractéristiques plus riches. Contrairement aux mécanismes d’attention 2-D existants, la SSFC apprend des poids d’attention spatiale-spectrale tridimensionnels sans ajouter de paramètres supplémentaires. Les expérimentations menées sur trois jeux de données pour la détection de changements d’images en télédétection démontrent que le USSFC-Net atteint une précision supérieure à celle de la plupart des méthodes basées sur les CNN, tout en nécessitant des coûts computationnels plus faibles et un nombre réduit de paramètres — et ce, même en dépassant certaines méthodes basées sur les Transformers. Le code source est disponible à l’adresse suivante : https://github.com/SUST-reynole/USSFC-Net.