数字图像边缘检测是进行图像处理的重要环节之一。该操作的输出结果,即图像的边缘,包含了很多图像的有用信息,可以作为图像进一步处理的重要依据。边缘检测的是否准确,直接影响到图像后续处理的质量。本文就是针对灰度数字图像边缘检测的算法抗噪性能进行研究。为了提高算法的抗噪性能,设计了具有抗噪声能力的图像特征向量,将它和BP神经网络相结合,建立了具有较强抗噪声干扰能力的边缘检测算法,为图像进一步处理和研究做好铺垫。本文首先介绍了进行数字图像边缘检测算法研究所必要具备的基础知识,包括数字图像处理的前期准备工作,即图像的采样和量化,图像的平滑处理等。之后本文对现在应用较为广泛的经典边缘检测算法的研究成果也进行了相应的介绍,对各种经典算法的优点与不足进行了对比分析,为提出新方法打下基础。同时,基础部分还介绍了边缘检测算法的评估方法,为算法性能的研究提供了科学的依据。接着本文对神经网络边缘检测算法进行了深入的研究。针对神经网络边缘检测输入量大的现实,采用了特征向量进行图像特征提取以缩小直接象素点灰度输入时的输入规模,并进行了特征向量的选取和改进的研究。针对图像采集和传输中噪声干扰严重的情况,构造了既有较强边缘提取能力,又有较强抗噪声能力的特征向量。同时,利用BP神经网络强大的记忆能力实现了原始图像到边缘图像的映射。通过将本文方法用于对人造图像和真实图像进行边缘检测的仿真,将本文方法和经典算法进行对比,验证了本文方法的可行性和优于经典算法的抗噪能力。仿真同时还将本文方法和金炜、俞建定方法的检测结果对比,验证了本文方法在时间上的优势。为了加快算法训练过程中的快速性和可靠性,避免BP算法容易陷入局部极小的缺点,本文采用了粒子群优化算法进行网络权值、阈值全局寻优,粒子群优化算法以其强大的寻优能力和参数少、易于实现的特点,大大提高了算法实现的速度和算法的可靠性。为了克服粒子群算法的收敛问题,在用其进行全局寻优后,再用BP算法对网络参数进行局部细调。仿真实验结果表明这种方案有效可行。