由于地物信息的复杂性及变化检测数据的多元性，遥感图像特征提取的充分性和有效性难以得到保证，导致变化检测方法获取的检测结果可靠性较低。虽然卷积神经网络(CNN)凭借有效提取语义特征的优势，被广泛应用于遥感领域的变化检测之中，但卷积操作固有的局部性导致感受野受限，无法捕获时空上的全局信息以至于特征空间对中远距离依赖关系的建模受限。为捕获远距离的语义依赖，提取深层全局语义特征，设计了一种基于Swin Transformer的多尺度特征融合网络SwinChangeNet。首先，SwinChangeNet采用孪生的多级Swin Transformer特征编码器进行远距离上下文建模；其次，编码器中引入特征差异提取模块，计算不同尺度下变化前后的多级特征差异，再通过自适应融合层将多尺度特征图进行融合；最后，引入残差连接和通道注意力机制对融合后的特征信息进行解码，从而生成完整准确的变化图。在CDD和CD_Data_GZ 2个公开数据集上分别与7种经典和前沿变化检测方法进行比较，CDD数据集中