作为提高光学成像系统分辨率的重要方式,光学合成子孔径已经广泛地应用到了地基与太空天文望远镜领域。然而,相较具有单一镜面的成像系统,合成子孔径会出现更多、更复杂的边界,同时成像边缘也会更多。另外,对于大口径光学元件,镜面边缘过大的倾角也会使边缘相位发生陡峭变化,从而影响到达探测器的图像清晰程度,最终影响相位提取中的峰值判断。以上两个方面的问题,都给共相位检测增加了困难程度。因此,为减少有效频率的丢失,就要求我们对噪声与高频条纹图像进行有效的边缘提取。本文的主要工作就围绕实现对光学子孔径条纹图像的孔径区域边界与干涉条纹边缘提取来展开。本文将深度学习中的卷积神经网络与生成对抗网络引入到合成孔径光学成像的边缘检测中,分析了两种模型在实际应用中的可行性和优越性。根据合成孔径成像边缘检测的要求,通过实验和仿真手段构建了数量庞大的孔径条纹数据集。基于MATLAB的工具箱Mat Conv Net,训练了具有多隐层的卷积神经网络,并对其效果进行了测试。当输入图像给定时,像素周围的相邻区域将被引入网络;然后由训练的多隐层完成逐像素地扫描;最后由网络输出层判断输入块的中心是否处于理论边缘(即子孔径边界与条纹相位临界)。同时,通过运用生成对抗网络,对卷积神经网络边缘检测中的低频条纹同检效果进行了提升,使边缘检测得到了更好的效果。与传统的边缘检测算法或其改进算法相比,深度学习能更好地展现数据的深层特征,减少人工设计特征的工作量。通过对测试集的多幅孔径条纹图像进行实验,本文验证了基于深度学习方法检测光学子孔径边缘及空隙的有效性,并获得了良好的边缘检测效果。本文的方法还提高了处理效率,比传统的边缘检测算法快几个数量级。本文的研究工作为光学合成孔径检测领域的图像处理问题提供了一种全新的方法途径,同时也为后续的子孔径共相位研究奠定了坚实的基础。