人工神经网络(Artificial Neural Network, ANN)是近年来信息科学领域里的一个热门学科,它是由大量信息处理单元互联而成的一个自适应、非线性的信息处理系统。目前,人工神经网络正向着模拟人脑认知过程的方向进一步深入地发展,人们试图构造一种更加接近人类智能的信息化处理系统来解决实际工程与科学领域中存在的一些难题。作为有着生物学背景的新一代人工神经网络——脉冲耦合神经网络(Pulse Coupled Neural Network, PCNN)与传统的人工神经网络有着很大的区别。PCNN更接近于真实生物神经网络中神经细胞的活动方式,它具有相似群神经元同步发放脉冲的特性,并具有非监督、自学习的能力。更为重要的是,它的时间序列(PCNN在迭代计算时对脉冲发放数目的一种统计序列)具有图像特征提取的作用,而且具有旋转不变性、尺度不变性及缩放不变性等优异特性。近年来,随着人工智能的不断发展,PCNN得到越来越多的研究人员的密切关注。目前,PCNN已在图像分割、图像降噪、目标识别、图像检索等领域得到了广泛的应用,并表现出其独特的优越性。本文对PCNN的几种模型进行了深入地研究,利用PCNN原始模型与改进模型进行人脸图像的特征提取,并分别应用于彩色图像中目标人脸检测和人脸表情识别。主要解决了人脸识别中对人脸训练集过分依赖,表情特征分类难等问题,进一步扩展了PCNN在图像特征提取与人脸模式分析方面的应用。本文所做的研究工作以及所取得的研究进展主要有以下几个方面：一、综述了PCNN的原始模型与原理；PCNN的改进模型与原理；PCNN的简化模型与原理。二、分析了PCNN在图像处理方面的应用及原理。三、提出了一种PCNN与肤色模型相结合的目标人脸检测方法。利用HSV色彩空间与YCbCr色彩空间相结合的肤色模型实现了彩色图像中的肤色检测,在肤色区域中找出人脸候选区域(人脸子图),利用PCNN提取人脸区域的时间序列,通过计算各人脸子图时间序列与基准人脸时间序列的相关度来实现目标人脸的检测。实验与仿真表明,该方法可快速实现目标人脸的准确检测,体现了较好的检测性能,解决了传统人脸识别对人脸训练集过分依赖的问题。四、利用PCNN每次迭代输出的点火位置信息能充分地反映出图像的灰度分布与细节特征的特点,提出一种基于PCNN点火位置序列(PCNN在迭代计算时对神经元点火位置的一种投影序列)的人脸表情识别方法。该方法首先利用PCNN的平均时间序列对待测人脸图进行身份识别,然后再将该人脸的点火位置序列与该身份下七种表情的点火位置序列进行余弦距离匹配来实现表情的分类。实验与仿真表明,PCNN的点火位置序列能有效地提取人脸的面部细节特征来进行表情的分类,具有较好的鲁棒性。