آشکارسازی تغییرات باهدف تجزیه‌وتحلیل دو یا چند تصویر از یک منطقه که در زمان‌های مختلف به‌دست‌آمده‌اند، انجام می‌گیرد که به‌طورکلی یکی از مهم‌ترین کاربردهای تصاویر ماهواره‌ای در تحلیل توسعه شهری، پایش محیطی و کشاورزی، ارزیابی خطر و ارزیابی تخریب بلایای طبیعی است. ازآنجایی‌که حل مسائل مربوط به آشکارسازی تغییرات به ‌صورت دستی یک عملیات وقت‌گیر است، به همین دلیل در این پژوهش یک روش کشف تغییرات مبتنی بر الگوریتم یادگیری عمیق جهت تولید نقشه تغییرات در مناطق کشاورزی ارائه شده و از شبکه‌های یادگیری عمیق به‌ منظور استخراج خودکار ویژگی­ها استفاده شد. هدف در این مقاله بکارگیری الگوریتم های یادگیری عمیق  از نوع شبکه­های کانوولوشنی به منظور شناسایی سطح زیر کشت محصولات کشاورزی با استفاده از تصاویر فراطیفی است. یکی از انگیزه­های اصلی این کار، قابلیت مناسب این شبکه های یادگیری عمیق در شناسایی تغییرات در مناطق با پیچیدگی طیفی بالا هستند. پس از به دست آوردن تصاویر اختلاف با استفاده از الگوریتم حدآستانه گذاری اتسو، نقشه تغییرات دودویی اولیه تولید می­شود. در مرحله بعد با استفاده از شبکه‌های کدگذار خودکار به استخراج ویژگی پرداخته و از شبکه‌های کانوولوشنی جهت طبقه‌بندی پیکسل‌ها به دو کلاس تغییر و کلاس بدون تغییر استفاده شد. نهایتا با ساخت مدل یادگیری عمیق و ارزیابی دقت، نقشه تغییرات نهایی تولید شد. نتایج حاصل، نشان‌دهنده پتانسیل بالای استفاده از روش‌های یادگیری عمیق در مسائل آشکارسازی تغییرات با استفاده از تصاویر فراطیفی می‌باشد. به منظور ارزیابی دقت و کارایی روش پیشنهادی، از تصاویر اخذ شده توسط سنجنده هایپریون مربوط به دو مجموعه داده ابرطیفی از مزارع کشاورزی هرمیستن واقع در آمریکا، و منطقه دارای پوشش های گیاهی متنوع در اطراف تالاب شادگان واقع در جنوب خوزستان، استفاده و الگوریتم پیشنهادی مورد ارزیابی قرارگرفته است. روش پیشنهادی کشف تغییرات مبتنی بر یادگیری عمیق دارای دقت کلی 95% و ضریب کاپا 0.86 می‌باشد.