蚁群算法是人们根据自然界中蚂蚁的觅食规则形成的一种组合优化算法,最初人们用它来解决旅行商问题(TSP)。鉴于蚁群算法在解决二次优化问题上的突出表现,越来越多的学者将蚁群算法应用到解决组合优化问题的各个领域,其中包括路径规划、车间调度、网络路由、企业规划、图像识别等。蚂蚁个体本身能力是有限的,但是整个蚁群却能完成单个个体无法完成的任务。其中这种自组织的机制主要来自于信息素这一媒介。.蚁群算法也是模拟的这种机制,让人工蚂蚁根据信息素的浓度大小判断搜索路径。但是这一机制容易导致蚁群在局部最优,而且庞大的蚂蚁数量也会使得算法的运算速度明显缓慢。为了解决这两个问题很多学者提出了改进方法。本文利用遗传算法的思想对蚁群算法进行改进,在算法中引入变异因子,并且可以随算法的进行调节变异因子的数值,这样在算法的初期保证蚁群的搜索范围足够大有效防止算法局部收敛,同时在算法的中后期保证蚂蚁对信息素的敏感程度从而加快算法的收敛速度。文中针对改进前后的算法进行了仿真对比实验,最终的实验结果表明改进后的算法在收敛速度,迭代次数等方面都优于基本算法,达到了改进的目的。图像边缘检测的方法通常有：梯度算子法、Sobel算子法、Robet算子法、Log算子法、Canny算子法等,这些都不同程度存在对噪声敏感的情况。蚁群算法进行图像的边缘检测,首先是建立一个与图像大小一致的矩阵,蚂蚁在图像中移动沿途会留下信息素。对于那些变化明显的像素,会有更多的蚂蚁进行访问,通过改变信息素更新机制,使得蚂蚁趋向于浏览图像中灰度梯度值高的像素点。这样就形成了一个正反馈机制,蚂蚁也就会勾勒出图像的边缘信息。本文使用一种改进的蚁群算法来实现图像的边缘检测,经过试验仿真证明该算法能够更加清晰的描绘出图像的边缘信息,尤其是对主要边缘能够更加的突出。经过改变阈值大小可以有效的抑制图像中的噪声。