多尺度融合方法在图像变化检测领域中得到广泛研究，但由于不同尺度的特征之间存在不平衡，直接进行特征融合无法精确地检测目标变化，特别是在复杂场景下目标变化的检测仍然存在漏检和误检的问题。本研究提出一种深层特征引导的多尺度上下文聚合网络（DF-MCANet）进行变化检测任务，通过深层特征引导不同阶段的特征融合，提高网络对于不同尺度目标的理解能力。该网络包含特征融合模块（FFM）和特征矫正模块（FCM）两个关键模块，FFM结合上下文特征进行变化信息的提取和增强，FCM利用深层语义特征引导FFM提取各阶段特征，进行语义、细节以及上下文表示的融合。实验结果表明，DF-MCANet相较于目前最优的模型A2Net,F₁指标在CDD数据集提高0.73%,在DSIFN数据集上提高1.43%。