图像边缘包含了图像的重要信息,是图像的最基本特征。边缘检测是图像处理中的一个经典问题,边缘检测直接影响到智能视觉系统其他阶段工作,特别是模式识别的结果。因为实际图像往往都夹杂噪声,而噪声和图像的边缘都属于高频段信号,在提取边缘时容易受到噪声的影响,在抑制噪声的同时必然也会丢失边缘信息。图像边缘检测的关键就是要解决消除噪声与保留图像边缘信息之间的矛盾。　　本文在研究现有边缘检测方法的基础上,抓住边缘检测的关键问题,提出了一种借助于自适应降雪模型思想的边缘检测算法。由于降雪模型具有自适应性和迭代的特点,可以用于改善边缘检测的效果。　　本文首先介绍了一些常见的边缘检测理论和方法,简单比较了这些方法的优缺点和适用场合,总结了边缘检测的主要问题。　　其次研究自然降雪的特点,重点是降雪的曲面进化效应,实现降雪模型。这里的降雪模型是通过改进传统的小面模型来得到的,即通过二维曲面拟合重新估计的方法实现曲面进化,并引入了数据自适应的高斯核,数据自适应的高斯核可以根据图像区域特征信息实现自适应的图像曲面进化,改进后的模型的图像处理窗口能够依据图像本身的特征自适应的改变大小,形状和方向,并且这也是一个迭代的过程。　　然后研究了影响迭代次数的因素。通过重复降雪过程处理后得到一阶和二阶边缘检测算子,并用阈值法和过零点法完成边缘检测。　　最后将基于降雪模型的边缘检测方法对医学图像和人造图像进行仿真实验,并与传统的算法进行对比。实验表明,该方法对于噪声较大的图片,具有一定的优势。同时,大量的迭代过程也增添了计算开销。