蚁群算法是一种新型智能仿生模型,是为了解决组合优化问题而提出的启发式搜索算法。蚁群算法具有智能搜索、全局优化、分布式计算、正反馈、鲁棒性以及易于其他算法相结合等独特的优越性,自提出以来就受到学术界的热切关注,现已被广泛应用于各个领域,不但在解决组合优化问题,如旅行商问题、二次分配、车间任务调度等显示出求解复杂优化问题的优势,而且已经在多目标优化、数据分类、系统建模、仿真系统辨识等多领域进行了探索研究和应用,为解决实际的应用问题提供了新的途径。在图像处理领域,由于蚁群算法模型本身的特点以及图像处理的复杂性,虽然在图像分割、边缘提取、图像分类等方面取得了初步的研究成果,证明了蚁群算法在图像处理领域应用的可行性和有效性,研究表明蚁群算法在解决实际的图像处理问题时效率不高,计算时间较长,目前在图像识别中尚未找到一种普遍适用的识别模型,因此还有很大的研究空间。故而需要进一步的探索讨论。本文旨在蚁群算法在图像识别方面的应用研究,进行了以下工作:首先对蚁群算法的基本原理和数学模型进行学习归纳,分析算法的优缺点,针对不足之处进行算法改进探索,以及总结蚁群算法在图像识别方面的应用进展,为后续的图像识别提供理论依据。其次针对图像识别处理中的关键环节——图像特征提取,进行了基础理论研究,提出了脉冲耦合神经网络算法,确定了较为全面的提取特征函数的方法,弥补了蚁群算法的不足之处。最后根据蚁群自身特点,结合脉冲耦合神经网络,提出了一种脉冲耦合-蚁群聚类算法,应用到医学图像识别中,经实验结果表明,此算法有效而适用。