图像是人类认识、了解世界最基础的方式之一。图像轮廓检测可以将关于图像内容的丰富信息保留下来，同时能够显著减少图像中需要处理的数据量，是图像分析理解及识别的基础。本文研究了基于多层次深度特征的轮廓检测，借助于全卷积神经网络和反卷积网络，在不同层次的特征图之间建立对应关系，直接提取多层像素级别的深度特征，用于图像轮廓检测。因此，选题具有重要的理论与实际意义。　　本文首先提出了一种基于图像块的轮廓检测算法，然后，针对该算法的不足，提出了一个端到端的轮廓检测算法。论文的主要研究内容包括：　　1)提出了一种基于图像块的轮廓检测算法。该算法首先根据图像的固有结构进行划分，将轮廓检测由二分类问题转化为多分类问题；然后，训练多类CNN模型。与以往在全连接层得到固有长度的特征矢量分类不同，该分类模型能够直接提取像素级别的深度特征并用于分类；最后，通过设计的差分特征和多尺度的检测策略，进一步提高了轮廓检测的性能。　　2)提出了一种端到端的轮廓检测算法。该算法中能够输入任意大小的图像，直接在全图尺度上，对不同层次特征进行融合，通过一次前向传播，就可以得到图像上所有像素点的深度特征，进行分类，可以接近实时地输出图像的轮廓检测结果。　　本文首先在两个包含特定目标的数据集上对基于图像块的轮廓检测算法进行了分析测试，然后在两个更常用的边缘数据集上对基于端到端的轮廓检测算法在进行了测试和比较。实验结果表明，本文提出的多层次深度特征，检测结果明显优于传统特征。基于端到端的轮廓检测算法相比较其它方法，可以有效的抑制背景边缘，在保持较高准确率的同时，达到了接近实时的检测效果。