计算机视觉的目标是通过研究人类视觉系统从而开发出能与其相媲美的视觉信息计算模型，其中轮廓检测问题又是最重要的计算机视觉任务之一。因为物体的轮廓与物体的感知紧密相关，而且能为目标识别，形状匹配等中，高级视觉任务提供引导帮助，因此，轮廓检测逐渐成为计算机视觉的核心问题之一。目前大量的轮廓检测算法通常是通过整合亮度，颜色等局部特征来检测轮廓，对全局信息利用较少，对大范围的轮廓感知能力较差，因此在性能和适应性上与人类视觉系统相比仍相距甚远。与此同时，近年来对生物视觉的研究取得了很大的进展，其中视觉认知中的知觉组织能帮助人类感知大尺度目标，因此在轮廓检测时引入知觉组织规律能提高对目标显著轮廓的感知能力。本文以人类视觉认知系统中的知觉组织规则为基础理论，研究了针对自然图像的轮廓检测和闭合轮廓提取问题。
　　本文提出了一种基于格式塔完形规则的轮廓检测算法，该算法不同于传统方法在像素级进行检测，而是选择在超像素边界上进行处理，这种处理方式能有效避免重复运算和利用结构信息。格式塔完形规则能整合低层局部信息与高层认知信息，通过模拟邻近性，相似性等格式塔完形规则对由超像素边界定义的候选轮廓进行概率计算，得到符合人类认知的轮廓。实验结果表明，由于利用了超像素的结构信息且使用格式塔完形规则进行大范围地整合，该算法能很好地提取场景中目标的显著轮廓。
　　在上述轮廓检测结果基础上，本文进一步提出了一种闭合轮廓提取算法。以往的闭合轮廓提取算法通常在整个图像空间中搜索可能的轮廓分组，计算复杂度高，本文的算法以超像素轮廓检测为基础，将闭合轮廓提取问题转化成搜索图像中具有强力支持的超像素边界的封闭子集的问题，大大减小了搜索范围，接着考虑闭合区域面积与周长的关系，设计了一个轮廓闭合的代价函数，通过优化求解得到最终的闭合轮廓。通过在图像库上的实验表明，该算法能有效提取单一目标的闭合轮廓。