Las tecnologías de inteligencia computacional se han aplicado ampliamente para la interpretación de imágenes de teledetección. Recientemente, el enfoque de detección de cambios basado en inteligencia computacional Transformer ha atraído cada vez más atención. Sin embargo, el método actual de detección de cambios basado en Transformer puede capturar mejor las características globales, pero no hay una buena solución para la pérdida de información detallada local. Por esta razón, la introducción de información semántica y de frecuencia desde la perspectiva de un doble dominio puede ser beneficiosa para mejorar la representación de características detalladas y así mejorar el rendimiento de la detección de cambios. Para superar esta limitación, se propone un Transformer de doble dominio (DFormer) para la detección de cambios. En primer lugar, adoptamos un tokenizador semántico para capturar la información semántica, lo que promueve el enriquecimiento y refinamiento de la información de cambio semántico en el Transformer. En segundo lugar, se introduce un tokenizador de frecuencia para adquirir la información de frecuencia de las características, lo que ofrece al DFormer propuesto otro aspecto y dimensión para mejorar la capacidad de detectar información de cambio. Por lo tanto, el DFormer propuesto emplea tokenizadores de doble dominio para adquirir y fusionar la representación de características con información semántica y de frecuencia rica, lo que puede refinar las características para adquirir una capacidad de detección de cambios más detallada. Experimentos extensos en tres conjuntos de datos de referencia de detección de cambios demuestran que el DFormer propuesto supera claramente a otros enfoques existentes. Los resultados muestran el rendimiento competitivo de nuestro método en los conjuntos de datos WHU-CD, LEVIR-CD y GZ-CD, para los cuales logró métricas de 92.85%, 90.60% y 87.02%, respectivamente.