遥感图像边缘检测是遥感信息获取的重要手段之一，是实现遥感图像理解的基础，也是图像边缘检测的一个未来发展方向。大量研究证明，现有的大多数检测算法在复杂遥感图像中往往效果欠佳，一方面算法多以普通图像为处理对象，对于遥感图像而言，算法的理论框架还有待进一步完善；其次，常用的模糊算法以模糊集理论为基础，解决的是图像中的模糊和非随机性问题，对于在某种程度上可作为一种随机变量的遥感图像而言，检测结果的准确性受到了影响；第三，遥感数据异常复杂且数据量很大，算法在效率上有待提高。寻求高效的遥感图像边缘检测算法成为了一种现实需求。立足于图像边缘检测的研究现状，本文以模糊集理论及云理论为理论基础，对模糊边缘检测技术的理论体系及检测方法进行了大量的研究。在对遥感图像的不确定性进行了较为深入的分析基础上，提出了基于对象云的遥感图像模糊边缘检测方法(OCFD)。论文的创新点如下：1．在对遥感图像中对象不确定性研究的基础上，提出了不同类型对象在云空间中的云化表达。对不同对象进行了云化描述，分别以点云、线云和面云表达点状、线状及面状地物。图像空间的数据通过某种一对多模型在该空间中映射为云团后，将具备描述其模糊性及随机性的数字特征，可以体现不确定的过渡信息。2．基于遥感图像的特点，在经典云发生器算法的基础上提出了对象云发生算法。主要包括基于象素灰度特征的一维云空间映射模型、基于图像在两个方向上梯度特征的二维云空间映射模型；另外，对多光谱遥感图像的光谱信息特征及数据特征进行了分析，根据多光谱图像的特点将一维云空间推广至多维，建立了多维云空间映射模型。通过实验证明，云空间中的对象云通过数字特征能较好地体现图像对象的模糊性及随机性。3．提出了一维边界云及多维边界云的提取方法。边界云的数字特征通过其邻域运算获得，充分地考虑了象素之间的相互关系，同时其获取类似于平滑过程，具有一定的抗噪性；另外，边界云的熵及超熵同样通过计算获得，与左右对象云的熵及超熵具有较强的相关性，反映出了图像随机性因素对边界云期望及标准差的影响。4．提出了基于边界云的过渡区提取算法。利用边界云的熵及超熵求取过渡区的左右门限值，消除了传统过渡区提取方法中常见的低端极值灰度大于高端极值灰度的极端情况；同时算法简单而快速，运算开销较小且具有一定的抗噪性。提出了基于边界云数字特征的模糊特征平面及其构建方法，将模糊矩阵的每个元素定义为一个由边界云数字特征所产生的隶属度值的集合，表明图像中每个象素在随机因素影响下，对某一对象的隶属程度不是一个精确值，而表现为一种概率分布，该方法可在一定程度上体现出在随机性影响下图像所具有的特性。5．提出了利用最大模糊熵在过渡区内检测边缘的方法。该方法通过最大楱糊熵原理定义的邻域一致性测度对过渡区内边缘特征进行了讨论，充分地考虑了象素与其邻域之间的相关性；算法利用模糊特征矩阵进行图像模糊划分熵的计算，将图像中的随机影响带入熵的求解，并多次利用模糊划分熵在服从一定概率分布的隶属度集合中寻求最优解；为了最大程度地利用图像信息，提出了在结构一致性测度和方向一致性测度的共同约束下，边缘点的提取原则及方法。算法较充分地考虑了边缘点的基本特征，边缘提取过程中最大程度地利用了图像信息。实验证明，该算法在一定程度上能提高图像边缘的检测质量。