数字图像的边缘检测是轮廓提取、目标识别与跟踪、运动分析、图像分割等技术的基础。虽然对图像边缘检测的研究已经有很长的历史,已有的边缘检测算法也是多种多样的,但是到目前为止仍然没有一种自适应性强且应用广泛的边缘检测算法。本文首先介绍了利用机器学习理论进行图像处理的方法与原理。接着对传统边缘检测结果图像进行分析,发现图像的先验知识和完形心理学理论对传统边缘检测结果的改善具有指导意义,定义边缘精简和连接的规则使最终得到的边缘图像更加简洁,目标边缘更加完整。但是,这种基于中层视觉信息改进的边缘检测算法也存在着一些不足之处,包括对噪声及光照敏感、需要手动调节阈值等参数、应用范围不够广泛等。然后将机器学习理论应用到图像边缘检测技术当中,把对图像的边缘检测转换成机器学习中一个典型的分类问题,把图像中各像素点分为两类:边缘点和非边缘点。为了方便计算,引入一种计算机视觉的计算框架。为获取大量的训练数据样本,同时确保正样本的准确性,采用人工客观标注的图像作为训练数据。在特征提取过程中,选取Harr和梯度直方图(HoG)等有效的特征构成特征空间。在分类器训练过程中,将AdaBoost和决策树算法相结合,提高了计算速度和分类准确率。最后介绍了边缘检测在两个方面的应用,第一个是基于中层视觉信息改进的边缘检测算法实现的图像线描系统,第二个是基于机器学习的边缘检测算法实现的目标轮廓提取。实验结果表明,本文提出的两种边缘检测算法在各自的应用中都表现出了良好的性能。