常久以來邊緣偵測一直是影像處理領域裡最重要的課題，以往使用計算幾
何或是Sobel運算子方法皆無法有效地克服雜訊及連續性問題，直到最近
幾年科學家再度提出具有學習及聯想能力的類神經網路，無論對學術界或
工程界而言有如注入新生命一般，目前在字形辨認及語音上都已有成功的
應用實例． @　 類神經網路具有高度平行處理，獨特學習訓練能力以及
即時聯想功能，無論對影像處理或圖形識別領域而言都是非常適合的解決
途徑．而在影像處理上正可以利用其分類的能力來解決邊緣偵測，在本論
文中吾人提出自我組織模式類神經網路來求邊緣偵測，自我組織模式本身
為一種非監督式學習法則，因為他可以將無關的外界資料加以組織成為可
以辨識的資訊，亦即將高維的圖形空間轉換成低維的特徵空間，在這過程
之中必須找出激厲輸入資料間的相關性，在此吾人利用正規化後輸入與輸
出間內積計算出其相關性的大小，再求出誤差最小的門檻值( Threshold
value)以得到最佳之物體(Object)，再配合二次微分的運算之後可以取得
吾人想要的邊緣．以下我們首先介紹自我組織模式類神經網路之架構及學
習法則，接著探討個人提出之邊緣偵測演算法，最後分成非雜訊與雜訊圖
形兩大部份來比較使用傳統Sobel方法與本方法之模擬結果，在討論中並
以本論文中例子為基礎，對自我組織模式類神經網路之收斂性與穩定性做
一探討，並對權值調整式的來龍去脈做一次完整分析．