自然场景下的物体轮廓信息是人类感知世界的关键组成部分。我们在识别物体时,往往是通过它们的轮廓形状来进行识别。在人类的视觉系统中,由初级视觉皮层的神经细胞检测轮廓信息,并将这些信息逐级传递到更高级的视觉区域进行处理,最后在高级区域中整合得到最终的轮廓。本文以第一视觉通路为理论基础,以计算模型为工具来描绘从视网膜—外侧膝状体（LGN）—初级视觉皮层V1区—纹外视觉皮层V2区和V4区的神经元功能和特性,进而理解轮廓信息在视觉系统中的处理过程。本文是基于神经信息学和电生理学等对视觉信息处理机制的研究,建立了若干个合理的视觉计算模型,并应用于图像细节和边界增强,真实图像的轮廓提取,以及轮廓信息编码与图像分类。本文主要研究内容为:（1）本文着重于模拟人类视觉系统的轮廓检测机制。与其他受生物学启发的轮廓检测算法不同,我们将轮廓视为边缘的显著性,并通过引入模拟视觉皮层V2和V4区中的端点细胞和曲率细胞的滤波器来提取显著性,并遵循局部到全局前馈的处理方式,这与从初级视觉皮层到高级视觉皮层的感受野（Receptive Field,RF）大小的递增是一致的。首先,边缘是由小型感受野中的简单细胞检测到的,而图像的纹理细节会被非经典感受野（Non-Classical Receptive Field,NCRF）抑制,即环绕抑制。然后它们被复杂细胞整合到更大的感受野区域。之后,通过端点细胞和曲率细胞提取局部边缘作为边缘显著性,最后将这些局部边缘整合成最终的图像轮廓。在BSDS数据集上进行轮廓提取实验,与近些年的生物启发轮廓检测算法（如CO,SCO）相比,本文的检测算法具有更好的检测效果。（2）本论文的另一个主要研究内容是模拟轮廓在视觉对象分类中的应用。本文利用轮廓图像对视觉对象进行分类。我们首先从原始图像中提取轮廓,然后将得到的轮廓图像编码成梯度方向直方图（HoG）。最后,将梯度方向直方图矩阵输入SVM分类器进行训练和测试。视觉对象分类的扩展实验表明,本文算法生成的轮廓是原始图像的补码表示,这意味着我们提出的模型在生物学上是合理的,在计算上也是有效的。