图像是典型的非结构化数据，特征上具有难以用有限规则刻画且动态变化，内容上常常不完整，解译上依赖信息利用主体等问题。边缘是图像的最基本特征，在边界检测、图像分割、模式识别、机器视觉中起到重要作用。如何有效地检测边缘一直是图像处理的热点。传统边缘检测算法，由于其模板相对固定，不能有效应对图像中的变化；很难在提取边缘的同时，有效抑制图像噪声；也基本不能选择提取图像中具有特定形状的边缘；只能应用于有限的较理想场合。因此，针对具体应用场景，边缘提取算法的各种改进也层出不穷，但大部分改进都表现在边缘算子模板的不同构造方法上。基于数据的机器学习是智能信息处理中的最基本方法，是解决非结构化数据结构化建模的有效工具。其主要研究从数据出发寻找规律，利用这些规律对未来数据进行分类。　　 本文重点研究通过不同的训练数据构建动态的边缘检测模型，利用这样的模型来提取有效的图像边缘。为了实现边缘检测，我们的思路是将感兴趣的边缘点看作一类，而其他像素点看作另一类，利用分类算法建模后对图像提取相应边缘。本文采用了在模式识别中解决小样本、非线性及高维问题有显著优势的、基于统计学习理论的支持向量机(SVM)方法，作为学习建模的基础。本课题的研究目的，就是基于MATLAB搭建实验平台，利用SVM算法实现有选择的图像边缘检测。本项目具体完成了以下研究内容：　　 ⑴编程实现了通过边缘训练图像快速构建检测模型，利用SVM提取图像的边缘；　　 ⑵研究通过边缘-噪声训练图像构建检测模型，使得模型在检测边缘的同时，能一定程度克服噪声干扰；　　 ⑶研究通过对训练图像中的特定图形边缘建立模型，利用SVM分类器将被测图像中我们感兴趣的边缘检测出来。　　 ⑷提出了先利用不考虑位置信息的边缘检测得到图像初步边缘(可能有断续)，再利用考虑位置信息的算法对缺失边缘进行插补的边缘提取改进算法，有效处理较复杂图像。　　 ⑸提出了训练SVM分类器的策略，并观察到不同模型与分类器的参数集之间存在有一定程度的不变性，这样的性质有望在今后被利用于具体的应用场合。　　 ⑹通过与传统经典边缘提取算法的实验比较，证明了新方法的有效性。　　 上述工作内容，为我们在下一步工作中，将基于机器学习的边缘提取算法实用化，应用于较复杂场景中解决实际问题奠定了比较扎实的技术基础。