轮廓检测作为计算机视觉任务中的一项基础任务,可服务于其他更高级别的任务,例如图像分割,目标检测,图像增强和还原,对象跟踪等。轮廓检测需要计算机能够很好的理解图像中的语义信息,结合图像中的上下文信息确定某个像素点是否为轮廓,这并不是简单的数学公式计算就可以完成的任务。卷积神经网络使用大量卷积核进行多次卷积和池化处理,可以对目标的特征信息进行更深层次的解析,多层次提取目标的高层信息,其强大的高级和全局特征学习能力使其在计算机视觉任务中表现良好。现有的基于深度学习的轮廓检测模型采用编解码的网络结构,其中编码网络提取图像不同层次的特征信息,解码网络将特征信息进行重组,提取轮廓检测所需相关信息,整合为轮廓输出,得到最终的预测图。编码网络通过裁剪已有的用于图像分类的深度学习网络得到,如将VGG模型或Res Net模型最后用于分类的全连接层裁剪舍去。编码网络通过卷积和池化提取了丰富的空间和语义信息,其中包含了轮廓检测所必须的各种信息。解码网络需要将编码网络得到的大量特征信息进行筛选,保留所需特征信息,将多层编码信息整合,尽可能减少有效特征信息的丢失,避免提取无用特征信息,进行图像重建,得到预测轮廓图。因此,本文针对卷积神经网络的编-解码方法做了深入细致的研究,设计了两种不同的解码网络,改进了代价函数,本文主要研究内容与创新如下:（1）为了在解码网络中充分使用编码网络得到的特征信息,避免不合理的上采样倍数导致轮廓线条过粗,本文通过考虑在深度和广度上设计解码网络,保证来自编码网络的特征信息能够充分解码,得到最终的轮廓。相比于现有解码网络,在BSDS500数据集和NYUD-v2数据集上取得了较好的成绩。（BSDS500,ODS=0.817;NYUD,ODS=0.761）。（2）由于同一卷积阶层中的不同卷积层所提取的特征信息是有差异的,为了更多使用编码信息,本文根据VGG网络十三层传输的编码信息,设计了解码网络。网络中包含两个子网,在子网之间设计有效的信息交流,充分使用编码网络所提取到的不同层次的特征信息。同时改进代价函数,通过计算预测图和标签图的全局信息差异,进一步细化预测轮廓。在训练过程中使用深度监督方法训练网络,得到了很好地轮廓检测性能。相比于现有解码网络,在BSDS500数据集和NYUD-v2数据集上取得了不错的成绩（BSDS500,ODS=0.825;NYUD,ODS=0.766）。本文中使用VGG网络作为编码网络,设计了两个不同的解码网络,通过改进解码网络的结构,避免不合理的上采样倍数导致的轮廓线条过粗,细化了预测轮廓,同时更充分的利用编码网络提取的特征信息进行解码,得到了较好的轮廓检测结果。