边缘检测能够提取自然图片中物体的轮廓和视觉上较为突出的边缘,因此被广泛地应用于图像分割、物体检测、目标识别、3D重构、医学图像等领域。近年来,随着深度学习在图像处理领域的成功应用,在很大程度上解决了传统边缘检测算法不能有效提取图片中的高层次信息,导致检测结果鲁棒性较低的问题。尽管如此,基于深度学习的边缘检测算法仍然存在对主干神经网络提取到的特征不能充分有效利用的缺点,以及由于训练样本的不均衡,导致损失函数无法有效引导模型训练过程的问题。本文针对以上问题,对基于深度卷积神经网络的边缘检测算法进行了实验研究。为了有效利用主干神经网络提取到的特征来进行边缘检测,提出了一种基于深度卷积神经网络特征再提取的边缘检测算法。该算法主要由用于特征初步提取的主干神经网络(VGG-16)、特征再提取和特征融合三个模块组成。在特征再提取模块中,通过引入了残差学习机制,消除了潜在的梯度消失/爆炸因素,使得该模块能够更稳定地将来自主干神经网络的不同层次的特征映射到边缘像素空间中,最后,经过特征融合,得到最终的边缘图片。在BSDS 500数据集上验证了模型的同分布泛化能力,得到了ODS F-score为0.807的检测结果。在NYUD V2数据集上验证了模型的跨分布泛化能力,得到了ODS F-score为0.701的检测结果。为了进一步验证提出的特征再提取器的有效性,在BSDS500数据集上,当冻结主干神经网络时,仅仅迭代5.4k次后,模型就能够达到ODS F-score为0.792的检测结果。为了解决正负样本不均衡对模型训练产生的不利影响,对原有的基于二分类的损失函数进行了优化。通过对二分类损失函数的正负样本损失项乘以不同的权重系数,使得网络在训练时,能够更集中注意力训练“难以被分类”的样本(Hard Example)。为了验证优化方案的有效性,将本文的方案分别与HED、RDS、RCF中的损失函数进行了对比,实验结果表明优化方案能够有效提升模型的检测精度,ODS性能指标分别提升了0.006、0.005和0.005。