在计算机视觉领域中,图像的深度次序推理是一个基本而具有挑战性的问题,它描述了图像区域间的层次关系,是图像分析和理解的重要基础,可用于处理很多高层视觉任务,例如图像和视频编码、自动驾驶、运动分析与跟踪、三维场景重建等。本文受深度次序推理的研究现状启发,模仿人类视觉机制,提出一种物体级别的深度次序推理方法,在有效推测图像区域的层次关系同时,保证了较低的算法复杂度。本文的主要研究工作分为三个部分:遮挡边缘检测、物体推荐和深度次序推理。(1)遮挡边缘检测。本文从边缘样本的产生(图像分割和特征提取)、特征选择、样本重构和分类器学习这四个主要方面阐述整个遮挡边缘学习的过程。尤其重点在于设计有监督的稀疏回归方式进行更合理的特征选择以及基于Huber函数和稀疏编码的理论重构基样本。再利用基于核函数的岭回归模型进行训练学习。最后,在D-order数据集和NYU2数据集上进行定量和定性的实验验证和评价。(2)物体推荐。本文将物体的表面线索引入物体推荐,这在现有方法中很少涉及。基于滑动窗口机制,每个采样得到的窗口根据事先检测好的遮挡边缘响应计算窗口似物性得分,去衡量当前窗口包含物体的可能性,并通过边缘响应融合以及自适应性的归一化标准提升遮挡边缘响应的可靠性,使得候选窗口分数排名更合理。最后,在PASCAL VOC 2007和MS COCO 2014数据集上进行对比实验和评价。(3)深度次序推理。本文从局部线索出发,定义一种三重描述符,将有效的角点和凹凸性线索作为整体共同判断局部层次关系,再从全局角度引入带权的有向图模型对局部推理结果进行一致性修正。最后,同样在D-order数据集和NYU2数据集上进行实验评测。本文最终目的的是对图像做深度次序推理,通过优化遮挡边缘检测到物体推荐再到深度次序推理的方法,从而实现最终整个图像的深度次序推理准确性的有效提升。