边缘检测技术是辅助数字图像处理和计算机视觉的重要技术之一。在实际图像处理中,边缘作为图像的一种基本特征,其包含的信息精简且重要,是图像分割、模式识别、特征提取等图像处理技术的基础,同时,边缘检测在计算机视觉任务中,也扮演者重要的角色。近年来,随着深度学习的发展,将深度学习应用到边缘检测技术中已经变成一种趋势。但目前,基于深度学习的图像边缘检测技术才处于起步阶段,取得的研究成果较少。如何构建出合适的网络来利用高低层语义信息,如何通过较少的训练数据让网络拟合,如何让网络获得较好的预测结果,这都是该问题的难点。本文的实验是建立在BSDS500数据集的基础上,其中包含300张训练图像和200张测试图像。由于训练数据的稀缺,通过旋转和镜像的方式,对训练集进行增广,使训练集的大小增加了32倍,同时使用Pascal Context数据集帮助网络的训练。本文从加州大学圣地亚哥分校提出的边缘检测算法HED入手进行探究,该方法是首次基于深度学习的IMAGE-TO-IMAGE的预测算法。基于HED的两种算法RCF和RDS,分别通过利用所有卷积层的信息和改善深度监督的方式,提升了边缘预测的效果。基于以上工作,本文通过同时利用所有卷积层的信息和改善深度监督方式来构建新的网络结构。该网络基于16层的VGGNet并做如下改进:首先去掉第5个池化层和所有的全连接层;然后在侧面插入side-output层来对每个阶段中所有的卷积层进行整合,并在该层使用RDS进行深度监督,计算损失;最后,通过一个fuse层对所有的side-output层进行融合,并通过GT计算损失。通过设置训练超参数,调整损失函数,训练出新的网络模型。实现结果显示,单尺度的预测可以达到ODS=0.803,OIS=0.822,AP=0.848的效果,而多尺度的预测可以达到ODS=0.808,OIS=0.828,AP=0.855的效果。