搜索技术是人工智能中的一个基本而重要的研究领域。人工智能所处理的信息通常是不确定的、模糊的、不完整的、海量的,因此一般不能明确地知道问题求解的途径,需要通过搜索求解的空间才能找到正确的答案。当缺少相关的邻域知识,问题的规模又不是很大时,可以采用盲目穷举的搜索策略,如广度优先和深度优先搜索策略。这种情况下,计算时间的耗费通常是可以接受的,因此在小规模的专家系统中被广泛采用。一个实际的人工智能系统,它的求解空间一般很大,空间中的每一个结点代表一个求解的子目标,对于每个子目标,又有多种可供选择的求解方案。因此,在许多情况下采用盲目搜索策略并不能解决问题,而启发式搜索使用经验的、直观的启发式知识来控制搜索的方向和路径,在一定程度上克服了搜索的盲目性,求解效率也有了较大的提高。但是目前基于启发式的各种搜索方法基本上都未能克服计算量的指数爆炸问题。粒度计算是软计算科学的一个分支,是信息处理的一种新的概念和范式,覆盖了所有有关粒度的理论、方法、技术和工具的研究。它是词计算理论、粗糙集理论、商空间理论、区间计算等的超集,目前已成为模糊的、不完整的、不精确的及海量的信息处理的重要工具和人工智能研究领域的热点之一。本文提出了一种基于商空间粒度的启发式搜索算法,对启发式搜索过程的粒度原理进行了深入的讨论与研究。该算法利用商空间的分层思想对问题的求解空间先进行较粗粒度的划分,根据启发式信息对各个划分进行判断,若某个划分包含问题的解,则对该划分进行更细粒度的划分,否则放弃对该划分解空间的任何处理,重复上述过程直至找到问题的解为止。基于这种分层的思想,减少了很多不必要的搜索,从而提高问题求解的效率。这种算法思想很好地模拟了人类分析和解决问题的过程,即能够从不同的粒度去观察和分析同一问题,最后综合各个粒度的信息而得到问题的解。在文章的最后,对本文提出的粒启发式搜索算法进行了验证,实验将其应用于一些边缘信息相对分散的图像进行边缘信息的提取,获得了比经典算法更好的边缘提取效果。