建筑物变化检测在城市环境监测、土地规划管理和违章违规建筑识别等应用中具有重要作用。针对传统孪生神经网络在影像变化检测中存在的检测边界与实际边界吻合度低的问题，本文结合面向对象图像分析技术，提出一种基于面向对象孪生神经网络（Obj-SiamNet）的高分辨率遥感影像变化检测方法，利用模糊集理论自动融合多尺度变化检测结果，并通过生成对抗网络实现训练样本迁移。该方法应用在高分二号和高分七号高分辨率卫星影像中，并与基于时空自注意力的变化检测模型（STANet）、视觉变化检测网络（ChangeNet）和孪生UNet神经网络模型（Siam-NestedUNet）进行比较。结果表明：（1）融合面向对象多尺度分割的检测结果较单一尺度分割的检测结果，召回率最高提升32%,F1指数最高提升25%，全局总体误差（GTC）最高降低7%;(2)在样本数量有限的情况下，通过生成对抗网络进行样本迁移，与未使用样本迁移前的检测结果相比，召回率最高提升16%,F1指数最高提升14%,GTC降低了9%;(3)　Obj-SiamNet方法较其他变化检测方法，整体检测精度得到提升，F1指数最高提升23%,GTC最高降低9%。该方法有效提高了建筑物变化检测在几何和属性方面的精度，并能有效利用开放地理数据集，降低了模型训练样本制作成本，提升了检测效率和适用性。