光学合成孔径成像技术是一种通过增大系统口径来增加成像分辨率的有效方法。与传统单块镜成像系统相比,合成孔径成像系统的各子镜之间往往存在一定的间隙,这就造成其所成的像在边缘处更加复杂。因此,为了在不丢失有效信息的前提下实现子孔径的有效拼接,有必要对光学子孔径的边界效应进行研究,而首要任务就是能够有效地提取光学子孔径图像的边缘区域。分形理论自提出以来,解决了许多传统方法无法解决的难题,为图像处理领域提供了一种新的思想。分形维数作为分形理论的度量特征,可以表征图像表面纹理的复杂程度,这为图像的边缘检测提供了一种全新的途径。本文在基于分形维数的边缘检测算法基础上,针对差分盒计数法存在的问题,提出了基于改进差分盒计数法的边缘检测算法。该算法创新性地提出了自适应差分盒计数法,解决了传统差分盒计数法在盒子数目统计上不精确的问题;然后提出使用基于卷积神经网络的图像超分辨率重建算法来解决小尺寸图像窗口下分形维数无法准确估计的难题。与传统插值算法相比,本文所提出的超分辨率重建算法能够很好地保持分形维数的缩放不变性。最后采用了基于基准图的评价方法对本文算法进行了评估。结果表明,与传统边缘检测算法相比,本文算法所检测的边缘不仅定位准确而且连续性好,此外还具有良好的抗噪性能。本文最后结合光学子孔径图像的特点,将本文提出的基于改进差分盒计数法的边缘检测算法应用在光学子孔径图像的边缘检测上,最终实现了对光学子孔径图像边缘的准确检测,为后续的子孔径边界效应研究奠定了基础。