由于图像常被视为由其像素点组成的大数据量矩阵,图像边缘检测在数学上可以归结为求解组合优化问题。而蚁群算法的正反馈、鲁棒性、分布式等优点都有利于处理复杂的、大数据量的组合优化问题或是能够转化成组合优化求解类的问题[1]。因此将蚁群算法用于图像边缘检测是一种有效的探索和尝试。针对传统蚁群的图像边缘检测算法存在图像边缘检测效果不佳,算法易于陷入局部最优且算法的随机和正反馈两种机制易失衡,以及算法收敛速度过慢等缺点,提出一种改进的蚁群图像边缘检测算法。改进算法将蚂蚁初始位置的随机分布转变为放置在图像边缘附近,同时在算法的初始化阶段加入禁忌表,将经典Canny边缘检测算子得到的边缘信息作为蚂蚁运动的启发信息,建立基于蚁群算法的边缘追踪模型,还对信息素挥发率?进行了自适应调整,得到新的信息素更新公式。最后通过进一步的仿真试验说明改进算法的有效性。仿真试验表明:蚂蚁初始位置分布的改变,使其以较高概率成为边缘的像素点作为起点对图像进行全局搜索,在对高概率区域检测的同时也将算法迭代过程更多地应用于局部边缘的寻找,提高了算法运行效率;而禁忌表的加入有助于加强蚂蚁寻找最优解的能力,避免了蚂蚁在局部搜索范围内进行无意义的往返运动;蚁群算法边缘追踪模型的建立,实现了信息素和启发信息共同对边缘追踪的导向作用,避免了蚂蚁在非边缘区域分布和行走,还解决了传统算法中随机性和正反馈两种机制的不协调的问题。自适应地改变信息素挥发率系数的值将会提高算法的全局搜索能力,信息素挥发率?的调整是为了避免算法陷入局部最优或者停滞状态,并且?值好的改变也会提升算法的收敛速度。总之,改进后的算法无论是在检测效果还是收敛速度等方面都优于传统基于蚁群的图像边缘检测算法,达到了改进的目的。