轮廓检测是高级视觉任务的重要基础,大量的生物学研究表明存在一种环绕抑制机制可以帮助人眼检测轮廓。虽然大量的轮廓检测算法已经被提出,但是高精度高效率的轮廓检测仍是一大难题。目前存在两个难点:一是检测轮廓缺失,二是纹理边缘冗余。针对这两个问题,本文基于生物视觉机制提出两种改进的基于环绕抑制的轮廓检测算法。传统的环绕抑制算法检测的轮廓依然存在大量冗余的纹理边缘,检测的轮廓仍不够完整。由于超像素边界对轮廓有良好的依附性,本文使用改进的超像素生成算法生成一系列超像素边界图,并将多次重复出现的超像素边界作为候选轮廓,减弱噪声和纹理对轮廓的影响,基于方向的环绕抑制模型进一步抑制候选轮廓中冗余的纹理边缘,从而提取突出的物体轮廓。实验证明虽然算法只使用了单尺度单特征,但轮廓检测性能优于基于多线索的环绕抑制模型和其它生物学启发的模型。保留轮廓的同时抑制纹理,这本身存在一种矛盾。本文基于多线索的环绕抑制模型提出一种改进的轮廓检测算法。使用亮度、亮度对比度、方向等局部特征计算抑制权重,然后通过一个基于尺度指导的融合策略将不同线索的抑制权重融合起来,融合后的抑制权重用来调节环绕抑制的强度。先增加环绕抑制强度,旨在进一步抑制冗余的纹理。为了防止同时抑制轮廓,利用改进的超像素分割算法(SLIC)获得候选轮廓,进而在候选轮廓处进行解抑制。实验结果表明了本文算法在提取更完整轮廓的同时有效地抑制了冗余的纹理。算法在基准数据集的测试结果表明,本文提出的轮廓检测算法有实用价值。