在计算机视觉与图像处理的研究中，有关边界的探索一直是一个很基础的课题。本文研究的中心问题，是如何将图像中检测出边界连接成有意义的线条。这是计算机高层视觉的一个重要问题，在很多计算机高层任务的实现中都发挥了重要的作用。 本文提出了一种将边缘连接成线条的新思路——基于边界线段“表征特性”连续性的线条提取的思想。这个思路的提出是基于人的视觉系统一个重要的特点，即人眼在获取连续的线条或物体轮廓线的时候，不仅对线条两侧图像的差异大小与线条本身几何和拓扑结构有所考虑，同时还要考察线条周围区域图像的特性(如图像区域的亮度、颜色、纹理等特征)的连续程度。我们利用人眼的这个特征，建立了一个计算模型来模拟人眼提取线条的机制。 在模型中，我们引入了一个“表征特性”来描述位于图像上的边界线段周围区域的图像特性，然后这个特征被用来定义一个度量图像中线条显著程度的尺度。在轮廓线提取的算法中，我们用一个“显著度估计”函数来度量轮廓线的显著程度，提取图像线条表达的算法中，一个“表达适应度”函数被用来度量图像中的一个线条集合对图像信息的表达能力。有了可以衡量待提取线条好坏的尺度以后，人们就可以通过对这个尺度函数的优化来从图像中获取期望的线条。利用这个思路，我们分别对图像进行轮廓线提取和图像的线条表示的提取两项工作。在我们的模型中，遗传算法被采用为模型的优化算法，而模型的有效性在实验中得到了验证。 通过用基于边界线段“表征特性”连续性的方法来从图像中提取线条的实验(包括轮廓线提取和提取图像的线条表示的实验)，这种方法被验证为能够有效地提取复杂的灰度图像中的边缘信息，并根据线条提取的任务，准确、合理地从图中找出有意义的线条。本文还对基于边界线段“表征特性”连续性从图像中提取线条的工作在高层机器视觉任务中的应用进行了一些探索，这个方法在计算机视觉的很多领域内都有着广阔的应用前景。