脉冲耦合神经网络(PCNN)是一种新型的神经网络,该模型是针对于动物大脑视觉皮层实验中所观察到的与特征有关的神经元同步行为现象而提出的。PCNN直接来源于哺乳动物的视觉特性研究,具有相邻的相似性集群神经元可同步发放脉冲的特性,能够弥补输入数据的空间不连贯和幅度上的微小变化,从而较完整地保留图像的信息,这非常有利于图像的分割。这些特性使得PCNN不仅具有重要的理论意义,而且还具有非常广阔的应用前景。在图像分析中,熵作为一种图像的统计特性,反映了图像中包含信息量的大小。对于图像分割而言,分割后图像的熵值越大,说明分割后从原图所得到的信息量也越大,分割图像的细节也越丰富,因而总体分割的效果也就越好。模糊熵在图像分割中用来度量分割后的图像的模糊度的大小,依据模糊熵最大的准则,分割后图像的模糊熵越大,包含原图像中的信息就越多,在一系列分割结果中,模糊熵最大的分割图就是最优的分割结果。本文首先将PCNN与简化的PCNN这两种神经网络模型分别应用于部分典型图像和医学图像的分割,将其分割结果与典型的Otsu分割方法所获得的结果进行比较,然后对这两种PCNN模型在图像分割中的应用进行分析。实验结果表明,应用这两种PCNN模型,得到了较好的分割图像,说明此模型在图像分割中有较好的有效性和适应性。本文通过结合图像模糊熵这一概念,将最大模糊熵准则应用到PCNN的图像分割中,提出了一种基于最大模糊熵的图像分割算法。在迭代次数设置好的前提条件下,该算法能分割出包含原图像信息最多的分割图像,得到最佳分割的迭代次数,实现了一定意义上的自动分割,在应用中有一定的现实意义。