当今的数字化社会,数字图像在生产生活中的各个方面都有应用。图像的边缘信息是数字图像包含的最基本的信息,这些信息可以用于区别图像有用信息,背景,噪声等内容,为人们提供图像中最直接的所需内容。这使得边缘检测成为了图像处理,图像分析,视觉检测,模式识别等领域的重要课题。而其检测方法也从最初的一阶二阶微分算子模板,也在经过不断的改进,融合和创新之后,有了很大程度的发展。蚁群算法是一种新兴的搜索优化算法,根据蚂蚁觅食的群体协作行为模仿来的一种算法,具有并行性,正反馈性,强鲁棒性等特点。最先应用于TSP问题并取得了不错的效果,后来在边缘信息检测等搜索全局最优解的问题上都有应用。但是在边缘信息检测的应用中,我们发现算法的模拟结果会有运算时间过长,运算精度不高,抗噪性差等缺点。为了解决运算时间过长的问题,本文主要介绍有感知功能的蚁群算法。有感知功能的蚁群算法主要是针对传统蚁群算法在初始分布中随机分布带来的无用搜索和计算造成的运行时间过长。这里的办法是将待检图像进行灰度预处理,得到图像中各点的灰度值,根据边缘位置灰度变化较大的特点,选定某一阈值进行选择性的初始点分布。根据边缘曲线的连续性,以选定初始点为起点,分别对其周围邻域进行边缘点判断。为了解决抗噪性差,系统可能陷入局部最优等问题,本文提出了一种改进蚁群算法--基于梯度的边缘提取蚁群算法。它的主要思路是在算法的初始化中先计算图像的灰度梯度,根据灰度值选取初始点。系统启动后蚂蚁根据信息素和启发信息共同决定蚂蚁移动方向,并在移动中使用最大最小蚁群系统,可以很好的应对系统容易陷入局部最优的问题。最后针对这几种算法的仿真结果进行分析,对比,评价每种算法的优缺点。