边缘检测技术是在图像分析与处理领域内重要的研究方向,同样也是图像压缩、图像分割、智能交通管理系统、目标检测等许多其他研究内容的基础技术。一些现有的边缘检测方法在各类干扰成分的作用下依然有着些许不足之处,例如,检测结果中边缘的连通性不高以及存在较多的伪边缘等情况,而基于神经网络的边缘检测方法虽然可以改善边缘连通性问题,但是同样存在着检测效率不高的问题。为此,本文提出了一种新的基于GPN(Gaussian Positive-Negative)径向基神经网络的边缘检测方法。边缘检测一般有图像去噪、图像增强、检测和边缘定位等几个步骤。本文在对边缘检测的研究和实现过程中的主要贡献点如下:(1)在图像的去噪阶段,本文引入了扩散方程的热扩散思想进行图像去噪,并针对扩散方程模糊边缘的缺陷做出了改变,使其可以在迭代去噪的前提下并且可以较好的保护原始图像的边缘数据。(2)在后续的边缘检测阶段,本文根据人眼视觉特性的马赫效应,提出两点假设。并根据这两点假设提出了一种新的GPN轮廓凸显算法。(3)根据GPN轮廓凸显算法构造了一种新型的基于GPN径向基神经网络的边缘检测方法。该方法将GPN径向基神经网络结构中输入层到隐层之间的权值设置为1,因为神经网络输入端的数据是经过预处理后的数据,已经包含了图像的初步边缘信息,因此这样设置是充分利用预处理获得的信息来降低网络部分连接权的训练时间,从而提高神经网络的运行效率。(4)在利用GPN径向基神经网络进行测试时,输入数据相当于直接输入到隐层进行计算,避免了它们之间的相互计算,从整体上提升了效率。最后,本文在检测效果以及效率这两个方面进行了相应的数值实验。针对噪声图像以及部分灰度不均匀图像,相较于脉冲耦合神经网络模型、遗传神经网络模型以及卷积神经网络模型,本文模型在效率上得到了提升,且边缘的连通性更好。实验结果证明,本文提出的基于GPN神经网络的边缘检测方法,是一种新的、有效的边缘检测方法,比传统的神经网络边缘检测方法效率更高,且在检测效果上也有所提升。