图像边缘检测是图像处理领域中较为基础的研究问题,也是很多计算机视觉任务的技术基础。已有的许多研究工作表明边缘检测在图像特征描述、高级特征提取、目标识别以及图像分割等领域都具有重要意义,如何快速准确定位和提取有效的图像边缘特征信息成为研究热点。本文对现有边缘检测网络模型的特点以及存在的问题进行了分析,从特征融合策略、损失函数等方面进行研究,提出了基于跨层多尺度特征融合的二分类边缘检测网络和基于注意力机制的语义边缘检测网络,该网络是一种端到端的网络模型,输入RGB图像,输出对应的边缘预测结果。在主流的边缘检测数据集上进行实验,本文提出的边缘检测网络模型性能优于其它基于深度学习的方法。本文的主要研究工作如下:（1）提出一种基于跨层多尺度特征融合的二分类边缘检测网络,在残差网络中引入扩张卷积和混合注意力模块;设计了多尺度融合模块,增大模型感受野的同时提取更高效的边缘特征;为了进一步提取更精细的边缘,设计了跨层融合模块,将高层含有全局信息的特征和低层含有细节纹理的特征进行融合,使得低层特征也能关注全局特征。实验表明,该网络在BSDS500、NYUDv2和BIPED数据集上的性能高于其它网络模型。（2）提出一种基于注意力机制的语义边缘检测网络,在残差网络中引入全局上下文注意力模块,每个像素点通过注意力模块可以充分利用全局上下文信息;设计了特征标准化模块,将每个阶段的特征上采样到原始图像大小并进行标准化,方便后续进行特征融合也加快了网络的收敛速度;设计了层注意力模块,将低层的细节特征信息进行充分融合;为了弥补高层分类结果损失的细节信息,设计了自适应权重融合模块,将高层含有全局信息的特征和低层含有细节纹理的特征通过自适应的权重进行融合。实验表明,该网络在Cityscapes和SBD数据集上的性能高于其它网络模型。（3）设计实现了一个基于深度学习的图像边缘检测系统。选择输入数据集和对应的网络模型及其训练好的权重参数,系统对网络模型的预测结果进行可视化并提供各种性能评价指标。