La detección de cambios en imágenes de teledetección juega un papel vital en la planificación urbana, el monitoreo de recursos y la evaluación de desastres. Sin embargo, los métodos actuales, incluidos los enfoques basados en CNN y los detectores basados en Transformadores, aún sufren de interferencias de cambios falsos, variaciones regionales irregulares y la pérdida de detalles finos. Para abordar estos problemas, este artículo propone una nueva red de detección de cambios en edificios llamada Dense Cross-Fusion and Spatial Compensation Mamba (DCSC Mamba). La red adopta una arquitectura de codificador-decodificador siamés, donde se emplea una fusión densa a través de escalas para lograr una integración multigranular de características multimodales, mejorando así la representación general de la información multiescalar. Además, se introduce un módulo de compensación espacial para capturar de manera efectiva tanto los detalles locales como las dependencias contextuales globales, mejorando el reconocimiento de patrones de cambio complejos. Al integrar la fusión densa cruzada con la compensación espacial, la red propuesta exhibe una mayor capacidad para extraer características de cambio complejas. Los resultados experimentales en los conjuntos de datos LEVIR-CD y SYSU-CD demuestran que DCSC Mamba logra un rendimiento superior en la preservación de detalles y robustez contra interferencias. Específicamente, alcanza puntuaciones F1 del 90.29% y 79.62%, y puntuaciones IoU del 82.30% y 66.13% en los dos conjuntos de datos, respectivamente, validando la efectividad y robustez del método propuesto en escenarios desafiantes de detección de cambios.