图像边缘检测技术是认识数字图像领域、分析数字图像,进而获得图像内容的关键环节。从20世纪50年代中期开始,人们已经从生物进化的机理中开始受到启发,创立了解决图像边缘检测的一些新型算法,例如蚁群算法、遗传算法、人工神经网络算法及其融合算法等一些仿生优化算法。图像常被视为由其像素点组成的大数据量矩阵,因此图像边缘检测可以归结为求解组合优化问题。而蚁群算法的正反馈、鲁棒性、分布式等优点都有利于处理复杂的、大数据量的组合优化问题,或者一些能够转换成组合优化求解类的问题。本文的主要研究内容如下：首先简要介绍了论文研究背景及其意义,对蚁群算法和边缘检测算法的现状进行分析。其次,通过对蚂蚁群体觅食的行为描述,说明蚁群算法的基本思想,阐述了蚁群算法的原始模型及其特点。然后,论文对边缘检测的蚁群算法具体实现过程进行研究分析。蚁群根据启发引导函数的指引向图像边缘处移动,在边缘像素点上留下信息素,建立信息素矩阵。实验发现叠加四个启发引导函数迭代出的信息素矩阵后,增强了边缘信息,有利于阈值对信息素矩阵进行边缘判定。对蚁群算法中的信息素影响因子α,启发函数的影响因子β,功能函数的系数λ,迭代次数N的参数调整,使得蚂蚁能够更多的聚集至图像边缘,进而信息素矩阵中包含更多的边缘信息,提取的边缘清晰,细节完整。说明蚁群边缘检测方法的有效性,并且对含有一定噪声的图像也有较好的边缘检测效果。由于依靠经验来选择蚁群参数存在复杂性和随机性,因此本文的最后一章讨论如何利用遗传算法选取蚁群算法的参数。遗传算法得到的蚁群参数减少了人工选参的不确定性以及盲目性。最后对本论文所做的工作进行全面总结,提出不足之处,并展望了今后要继续研究学习的工作内容。