リモートセンシング画像変化検出（RSCD）の目的は、同一地点で撮影された二時相の画像間の差異を検出することにある。深層学習はRSCDタスクに広く用いられており、認識結果の面で顕著な成果を上げている。しかし、衛星の撮影角度、薄雲の影響、特定の照明条件などの要因により、一部のリモートセンシング画像では変化領域のエッジがぼやけてしまう問題が生じ、従来のRSCDアルゴリズムでは適切に対処できない場合がある。この課題を解決するために、本研究では「ボディ分離マルチスケール特徴集約変化検出（BD-MSA）」と呼ばれる新しいモデルを提案する。このモデルは、学習および予測フェーズにおいて、特徴マップのチャネル次元および空間次元において、グローバルな情報とローカルな情報を同時に収集する。このアプローチにより、変化領域の境界情報を効果的に抽出するとともに、変化領域の本体部分と境界部分を分離することが可能となる。多数の実験により、本論文で提示するモデルが公開データセットDSIFN-CD、S2Looking、WHU-CDにおいて、他のモデルと比較して最も優れた評価指標と評価効果を示すことが確認された。