图像作为重要的信息载体,广泛存在于我们的生活中。从单个图像中恢复物体的深度次序关系,一直被认为是理解和感知的重要能力。在计算机视觉领域中,图像的深度次序推理基于图像中的遮挡边缘,描述图像中区域或物体间的层次关系,是图像分析和理解的重要基础,是一个基本而具有挑战性的问题,可用于辅助很多高层视觉感知任务,如目标检测/跟踪和运动分析、结构运动和三维重建,自动驾驶,场景理解等。虽然人类可以轻易感知图像中物体间的深度次序,但是对计算机来说感知图像中的深度次序是很困难的一件事。研究人类的感知能力,人们发现自然图像中的边缘定位影响到计算机视觉感知的不同“等级”。准确地定位遮挡边缘能够有效地帮助计算机像人类一样合理地理解和拆分高级感知任务,更好地从单个图像中恢复物体间的深度次序关系。因此,遮挡边缘提取无疑是图像的深度次序推理中最为基础而关键的一环。目前,深度次序推理中的遮挡边缘提取算法主要有边缘型遮挡边缘提取算法和像素型遮挡边缘提取算法。我们对边缘型遮挡边缘提取算法和像素型遮挡边缘提取网络中的问题进行分析研究,改进现有算法的不足,提出更加准确的遮挡边缘提取算法,来优化深度次序推理结果。本文主要研究成果如下:(1)提出边缘型自适应遮挡边缘提取算法,并将其用于边缘型深度次序推理。首先,我们提出一个自适应DRW超像素分割算法改进分割的自适应性、边界拟合性和边缘形状。我们从自适应种子点初始化,自适应权重衰减函数和形状约束三个方向改进分割结果的质量,使分割结果更加适合遮挡特征提取和遮挡关系判断。其次,为了进一步改善遮挡关系的判定结果,我们从特征和分类器两个层面进行探索与改进。针对现有的特征计算方式,丰富特征并增加对特征不稳定性因素的考量。而对于数据不平衡分类问题,我们提出自适应代价敏感型的自适应AdaCost算法,其中,我们定义了自适应变化的代价项,使其能够动态的调整样本的累积重要性,使得分类器更好的关注少数类的困难样本。接着,我们利用自适应代价调节项去进一步降低累积误分类代价目标函数,并通过放缩得到误差代价上界函数,利用上界函数的逼近解简化分类器的学习和训练过程,更好的进行不平衡遮挡边的分类。最后,基于改进的自适应DRW和AdaCost算法,构建边缘型自适应遮挡边缘提取算法,将其嵌入边缘型深度次序推理地算法框架中,获取最终地深度次序。定性和定量的实验结果表明,我们的自适应DRW和AdaCost在同等的分割和分类算法比较中自适应性和实用性较好,分割和分类性能良好。而结合二者优势的自适应遮挡边缘提取算法也使得深度次序推理结果有明显的提升,充分显示了我们提出的自适应遮挡边缘提取算法的实用性,有效性与创新性。(2)提出新的像素型遮挡边缘提取网络—边缘方向交互的遮挡边缘提取网络(Mutual Boundary-Orientation Occlusion Network,MBOONet),并将其用于像素型深度次序推理。从当前遮挡问题的定义与表示入手,我们首先分析了边缘和方向的辩证关系,重新规划边缘和方向任务的学习,简化遮挡边缘的表示。接着,我们提出边缘方向交互的遮挡边缘提取网络(MBOONet),采用收放型的密集连接方式和递进式补充的多loss监督机制,进一步提高边缘准确性和清晰性,为方向学习提供更加准确的提示。根据边缘和方向的辩证关系,我们以边缘结果为指导信息,引导方向学习,并再次由方向结果恢复边缘结果,保证二者的在遮挡边缘表示上的内在一致性和提高遮挡方向的实用性。最后,我们将像素型遮挡边缘提取网络MBOONet嵌入像素型深度次序推理算法框架,简化深度次序推理任务,并得到最终的输出。我们从定量和定性的角度进行实验验证,分别将我们的MBOONet同当前先进的遮挡边缘提取网络模型在PIOD数据集上,边缘检测结构同HED边缘检测模型在BSDS500数据集上进行对比试验。视觉效果和实验数据进一步证明了本文所提出的遮挡边缘表示的合理性和遮挡边缘提取算法模型的新颖性和有效性。本文通过研究边缘型和像素型遮挡边缘提取算法,为深度次序推理提供了准确的边缘信息。该论文的工作对于场景理解等需要确切感知边缘与相对方位的高级任务视觉问题提供了可行的解决方案和技术路线。