随着科学技术的不断发展，在人类对世界的不断认知中，传统的计算机视觉已经不能满足三维物体识别的需要。深度图像能够准确地表现物体目标表面的三维几何信息，因此深度图像越来越受到重视，并广泛应用于计算机视觉、图像分析等领域。 边缘是图像的基本特征，边缘提取与检测在图像处理中占有很重要的地位，并在图像识别、图像剪切、图像压缩等领域起着重要作用。目前边缘检测的方法日趋多样化，传统的Roberts算子、Sobel算子等已经很少单独使用，神经网络和遗传算法等优化算法在边缘检测中用的越来越多。 本论文主要围绕神经网络和遗传算法在深度图像边缘检测过程中的具体应用进行探讨，主要研究内容包括： 1.总结了对深度图像进行边缘检测的意义与研究现状，详细论述运用神经网络和遗传算法进行边缘检测的国内外研究动态。 2.针对神经网络的缺陷，为了使其更好地应用于深度图像的边缘检测，对神经网络的训练和学习方法作了改进。 3.详细给出了遗传算法的原理、特点及其基本策略，尝试将遗传算法运用于图像边缘检测应用中，并针对深度图像数据量大的特点，对遗传算法进行改进研究。 4.结合提出的方案，设计出一种BP神经网络与遗传算法相结合的检测算法。文中利用神经网络的自学习性，将用传统算子检测出的边缘数据作为样本对网络进行训练，并由中值特征向量来提取图像的有效信息，以此作为神经网络的输入序列。由于神经网络在计算过程中极易陷入极小值，同时收敛性较慢，所以首先用遗传算法对神经网络的初值进行选择，这样大大提高了运算速度。训练好以后的网络模型可以对任意深度图像进行检测。 经计算机仿真表明，该算法不仅可以很好地检测出图像的边缘，而且具有较强的抗噪能力。