边缘是图像的最基本特征，它包含了用于识别的有用信息，为人们描述或识别目标以及解释图像提供了一个重要的特征参数。边缘检测是图像处理、图像分析和计算机视觉领域中最经典的研究内容之一，是进行模式识别和图像信息提取的基本手段。图像的边缘检测领域有着很长的研究历史，一直是研究的热点和焦点问题。实际处理的图像一般都混有噪声，如何消除噪声干扰带来的伪边缘并且同时保证边缘定位的准确性成为边缘检测需要解决的一个重要问题。 目前在边缘检测领域已经提出了许多方法，但是至今提出的相关理论和方法尚存在不足之处，在某些具体情况下仍然无法很好的检测出目标物体的边缘，难以找到一种普遍适应性的边缘检测方法。因此，根据具体的应用要求设计新的边缘检测方法，或者对现有的方法进行改进以得到满意的边缘检测结果，这些都是现在研究的主流方向。 人工神经网络ANN(Artificial Neural Networks)技术是近些年来迅速发展起来的人工智能科学的一个分支，它已经广泛应用在信息处理、模式识别、智能控制以及系统建模等领域。BP(Back Propagation)神经网络是人工神经网络中最具代表性和广泛应用的一种模型，它结构简单，可操作性强，其非线性映射能力保证了它能成功实现各种简单或复杂的分类，而且它还具有很高的容错性和鲁棒性。近些年来，神经网络已经越来越多的应用于边缘检测领域，取得了令人满意的边缘检测效果。 本文提出了一种新的基于统计向量和BP神经网络的边缘检测方法。新方法首先从边缘点邻域的灰度分布特征以及与噪声点的区别出发构造了由4个统计量组成的统计向量；然后计算训练图像的统计向量集合作为训练样本，对不加噪训练图像的统计向量集合降维并作双阈值处理提取学习边缘图，对BP神经网络进行训练；最后用训练完成的BP神经网络直接判断象素点是否为边缘点，输出待检测图像的边缘