边缘检测是图像处理和计算机视觉领域的一项基本任务,在图像识别、目标检测、图像分割以及医学图像分析等领域有着重要的应用前景和价值。它的目标是从自然图像的像素众多差异中找出视觉感知上显著存在的差异;重点和难点是在排除图像复杂纹理带来干扰的情况下保留图像的主要结构。尽管在边缘检测的研究历程中,研究人员提出了很多具有代表性的边缘检测算法,但是依然存在着一些不足之处。例如现有基于深度学习的算法预测的边缘质量普遍较低,边缘附近存在大量的假边缘导致边缘过于模糊,需要依赖非极大值抑制的后处理进行边缘细化。本文从以下两个方面展开了对边缘检测算法的深度研究:一、为了解决现有网络结构与边缘检测任务不匹配导致检测的边缘质量较低的问题,本文提出了基于由粗到细策略的两阶段图像边缘检测网络算法,主要贡献如下:（1）通过数据分析我们发现图像不同位置的非边缘像素的分类难度是不同的,越靠近边缘分类难度越大。基于此本文提出了一种由粗到细的两阶段边缘检测思想,将传统的二分类边缘检测任务细化为边缘点、靠近边缘点、远离边缘点的三分类任务。结合该思想我们设计了一个由粗到细的两阶段W-Net边缘检测网络以及与之相结合的多权重交叉熵损失函数。实验结果表明,我们的算法在BSDS500数据集上的ODS指标达到了0.835,远超其他算法,并且预测结果的边缘质量得到了大幅度提升,边缘细化程度极高,且具有良好的泛化能力。（2）通过观察可以发现预测的边缘附近存在大量摇摆点,这些摇摆点虽然不会影响指标,但是会导致预测结果的可视化结果变差。基于此本文提出无监督的信息熵损失函数,用于抑制摇摆点,提高预测结果的可视化效果和图像质量。实验结果表明,在BSDS500数据集上的ODS指标由0.835上升至0.841,图像的可视化效果有了明显的改善,摇摆点数量大幅降低。（3）本文提出了一种全新的BSDS500数据集标签处理方法。与现有的方法直接将超过两个标注员标注的结果认定为边缘点不同,我们认为每一位标注员标注的结果都是有价值的,因此我们将超过两人标注的结果作为基准,用于矫正每一个标注人员的标注结果。实验证明,相较于DSCD算法的标签处理方法,我们的方法在BSDS500的ODS指标从0.823提高到0.835,OIS指标从0.825提高到0.847,算法性能得到了提升。二、为了解决现有研究对于边缘的认识不准确导致边缘建模错误以及现有的人工标注的边缘数据集普遍存在错误标注、标注偏移等问题,本文提出了基于邻接边缘模型的抗纹理干扰图像边缘检测算法,主要贡献如下:（1）为了解决边缘认识不准确的问题,本文提出了邻接边缘的概念,边缘像素点由不同类纹理的相接触的最外一层像素点构成,这种相接触扩展到八邻域内不会出现两个不同类的非边缘像素点相接触。我们在邻接边缘的基础上进一步提出邻接约束用于提高边缘的连续性以及边缘质量。实验表明,使用邻接边缘可以有效提高边缘检测的泛化能力,在跨数据集测试BSDS500数据集时ODS达到了0.736,并且预测结果的图像质量、边缘连续性以及边缘的细化程度得到大幅改善,对于纹理更加敏感,可以很好的抑制纹理线条带来的干扰。（2）为了解决现有人工标注的边缘数据集存在错误的问题,本文在提出的邻接边缘的基础上使用计算机合成了邻接纹理合成数据集,由于该数据集完全由计算机合成的,因此不存在由于人为主观臆断等因素导致的边缘标注偏移、缺失、错误标注等问题,训练数据的准确性得到了保障。实验数据表明,本文算法在纹理合成数据集上的测试的ODS指标达到0.978,PSNR达到28.529d B,SSIM达到0.990,远超其他算法在该数据集上的指标,并且通过用户调查,在跨数据测试的情况下,我们的预测结果更受用户欢迎,用户接受度达到70.7%。除此之外,对于本文算法在BSDS500等数据集上的测试结果和人工标注的对比中,有半数的用户认为我们的结果比人工标注的更加准确。综上所属,该数据集完全可以代替现有的人工标注数据集。