در چند دهه‏ی گذشته جمعیت شهر نشین و در نتیجه توسعه مکانی مناطق شهری شتابی فزاینده داشته‏است. این مهم به بروز تغییرات محیطی در این مناطق منجر شده است. از این رو، کشف تغییرات در بازه­های زمانی مختلف در مناطق شهری از اهمیت بالایی برخوردار است. روش­های کشف تغییرات متداول با استفاده از تصاویر سنجش از دوری، بیشتر مبتنی بر تشخیص تغییرات طیفی و محاسبه فاصله طیفی بین پیکسل­ها بوده و ماهیت تغییرات بصورت خطی در نظر گرفته می­شود. این درحالیست که، معمولاً تصاویر سنجش از دوری تحت تاثیر نویز و یا تغییرات رادیومتریکی هستند و در نتیجه ماهیت تغییرات می­تواند به صورت غیرخطی باشد. از طرف دیگر، یکی از چالش­های اصلی در تولید نقشه تغییرات در مناطق شهری، محدودیت در جداسازی طیفی زمین­های ساخته شده و زمین‍های بایر از یکدیگر در این مناطق است. بدین منظور، در این مقاله یک روش آشکارسازی تغییرات خودکار مبتنی بر کرنل ­و با قابلیت استفاده هم‎زمان از اطلاعات طیفی و شاخص­های طیفی مختلف پیشنهاد شده است. در مرحله اول، شاخص­های طیفی مناسب برای جداسازی کلاس­های پوششی در منطقه شهری از تصاویر چندزمانه استخراج می­شوند. به کمک آنالیز مولفه بردار تغییر و تعیین خودکار حد آستانه، نمونه­های شبه آموزشی غیر دقیق مربوط به کلاس‏های تغییر یافته و بدون تغییر استخراج می شوند. به منظور محاسبه تصویر تفاضلی، دو روش تفاضلی جدید در فضای اولیه طیف و در فضای هیلبرت ارائه شد. نمونه­های شبه آموزشی بدست آمده از مرحله قبل به عنوان ورودی به الگوریتم خوشه‎بندی وارد شده و به طور همزمان با بهینه­سازی یک تابع هزینه، مقادیر دقیق پارامترهای الگوریتم خوشه‎بندی و نمونه­های آموزشی دقیق استخراج می­شوند. از نمونه­های آموزشی دقیق برای آموزش طبقه­بندی­کننده حداقل فاصله مبتنی بر کرنل استفاده می­شود. در مرحله آخر هر یک از پیکسل های مجهول به طبقه­بندی کننده وارد شده و کلاس هریک از این پیکسل­ها مشخص می شود. به منظور ارزیابی دقت و کارایی الگوریتم کشف تغییرات پیشنهادی، این الگوریتم بر روی تصاویر ­چندطیفی و چندزمانه ماهواره لندست 5 سنجنده TM از شهر کرج مربوط به دو تاریخ 1366 و 1390 اعمال شد. به منظور آنالیز حساسیت روش پیشنهادی کشف تغییرات نسبت به نوع ویژگی­های مورد استفاده، از 5 مجموعه ویژگی مختلف به عنوان ورودی به الگوریتم استفاده شد. به منظور انجام ارزیابی مقایسه­ای، دقت روش­ پیشنهادی­ مبتنی بر کرنل در دو حالت استفاده از روش تفاضلی تصاویر در فضای ورودی اولیه (DFSS) (دقت کلی: 86.40 و کاپا: 0.83) و روش تفاضلی تصاویر در فضای ویژگی (DFHS) (دقت کلی: 85.54 و کاپا: 0.82)، با روش­های کشف تغییرات مبتنی بر تبدیل MNF (دقت کلی: 77.42 و کاپا: 0.76) ، نگارنده زاویه طیفی (SAM) (دقت کلی: 64.60 و کاپا: 0.60) و روش تفاضلی ساده (DIFF) (دقت کلی: 73.44 و کاپا: 0.70) برای این 5 مجموعه ویژگی مقایسه شد. نتایج بدست آمده نشان­دهنده کارایی و دقت بالای الگوریتم پیشنهادی نسبت به روش‍های مرسوم کشف تغییرات و توانایی بالای آن در جداسازی انواع کلاس­های طیفی در مناطق شهری است.