人类视觉系统（HVS）具有高效接收视觉信息并将各种视觉信息整合起来的结构,能够高效地完成轮廓检测等视觉任务。从生物视觉通路的角度分析,外界图像首先要经过神经节细胞,然后在通过外膝体到达视皮层。生理学上的研究表明在初级视皮层中高一级神经元可由下级神经元有序地汇聚形成,因此,初级视皮层中的简单细胞具有外膝体细胞的特性。为了进一步模拟视觉通路中多种视觉信息共同处理机制,本文将双目视觉处理机制和感受野动态特性引入到轮廓检测任务中。所提模型不仅能够提高轮廓检测模型的性能,还能更加符合视觉信息处理机制。针对感受野在接收外界刺激时是一个动态调节的过程和双眼细胞在接收信息时会产生景深信息。同时视觉系统在处理信息时,视皮层内的形状,颜色和深度存在一个平行处理的方式,本文提出了一个基于深度敏感细胞特性与感受野动态特性的轮廓检测模型。该模型主要包括自然图像和深度图像的处理。自然图像响应由加权最小二乘滤波法对自然图像进行预处理,自然图像响应和深度图像响应由V1神经元响应得到,并通过二者最优方向角将自然图像和深度图像响应相融合。重要的是,使用景深信息计算得到自然图像和深度图像响应每一像素点感受野尺度大小。基于NYUD数据集、BSDS数据集、MBDD数据集的实验结果表明,将景深信息和感受野动态特性引入到轮廓检测模型中能够有效地提高轮廓检测模型的性能。针对现有深度学习网络模型的构建,大部分模型只考虑到对VGG16编码-解码网络的改进。基于深度学习模型受到了生物视觉的启发,本文提出一种基于景深特征与卷积神经网络的轮廓检测模型。该模型主要针对VGG16前序编码网络进行改进。本文将上述生物机制模型所得的特征图融入到VGG16编码网络中,并且该特征图也作为一个侧端输出层与其他侧端输出层相融合。基于BSDS数据集和NYUD数据集的实验结果表明,本文所提的网络模型可以有效地提高深度学习的轮廓检测模型精度,为深度学习的研究提供了一种新方向。