视觉感知是生物智能的关键内容,人们通过对图像或视频的理解,将客观世界的信息映射成为脑海中的感知内容,而目标轮廓检测是实现上述功能的重要基础。由于生物视觉系统表现出突出的性能,通过深入研究其内在工作机理,将有助于视觉计算模型的构建和应用。本文模拟视觉信息流的感知和表达过程,以视通路中视觉信息流的解析和传递方式为基础,提出了一种基于尺度可变感受野的视通路轮廓检测模型;考虑到层级神经元细胞响应的差异性及关联性,提出了一种X-Y双通道多抑制联合作用的轮廓检测模型。在X-Y双通道多抑制联合作用的轮廓检测基础上,提出了一种多支路特征联合决策的半监督分类方法。本文的主要研究内容和成果如下:（1）提出了一种基于尺度可变感受野的视通路轮廓检测模型。由于传统轮廓检测未考虑视觉特征与感受野尺度之间的联系,忽视了生物视觉系统中不同视通道间视觉信息存在差异及关联,导致轮廓检测细节信息模糊不清,纹理抑制不充分,轮廓检测结果不理想。本文主要利用感受野尺度动态调节机制构建尺度可变的感受野响应模型;基于视觉系统中存在的稀疏表达、去冗余度等机制,结合稀疏编码和各向滤波器模拟神经节至外膝体的视觉信息处理;考虑到不同视通道中视觉信息的差异性及关联性,提出多路径协同作用的视通路视觉响应模型,通过V1区复杂细胞完成视觉信息的重组,根据不同视通路间视觉信息的差异性抑制背景纹理。最后,以Ru G40库的图像为实验对象进行算法模型的有效性验证。（2）提出了一种X-Y双通道多抑制联合作用的轮廓检测模型。考虑到神经元细胞以及水平细胞之间的分类和视觉信息传递通道独立并行特性,提出了一种X-Y双通道信息传递数学模型;为适应对比度差异性分布下的视觉检测任务,提出了一种对比度动态调节的感受野响应模型;模拟视觉处理机制中存在的多种纹理抑制方式,引入环形抑制和稀疏编码分别实现X和Y通道的纹理抑制;模拟生物视觉系统自动补全轮廓功能,在最优方位基础上细分方位,利用二维高斯导捕获精细方位的神经元响应,从而保证轮廓结构的完整性。最后,以Ru G40为本文实验库,将实验结果的二值轮廓图与基准图进行比较,同时与主流轮廓检测方法进行对比分析,结果表明本文方法在综合性能上优于对比方法。（3）在前述双通道多抑制联合作用的目标轮廓检测模型基础上,提出了一种多支路特征联合决策的半监督分类方法,并应用于图片分类任务中。首先将获取的目标轮廓输入到分类网络中,从而有效改善了分类效率和复杂度;另外考虑到传统分类网络对有标签数据的海量需求,并且存在网络特征表征能力差、特征利用率低等情况,本文通过多样且互补的多支路特征提高对原始轮廓数据的表征能力;设计多支路特征的联合决策并建立共识驱动图,以降低伪标签数据错误标注的风险;最后根据伪标签数据和有标签数据联合训练多支路特征网络,进一步提高网络的特征提取能力。本文选用Market-1501数据集进行实验,得到了56.8%的平均正确率（m AP）和80.3%的Rank-1正确率,取得了较好的性能。