红外热像仪因其被动成像方式、较强的目标探测能力、全天候工作等特点,目前在军事、安防等领域已经得到了广泛的应用。近年来,随着其应用领域的不断开拓,人们迫切地需要智能探测红外场景中诸如运动体、受损部件等感兴趣内容。于是,这种需求相应地促使了计算机视觉对红外图像处理的要求,其中尤为重要的是图像的分割质量。由于红外图像主要体现的是温度场信息,传统的诸如阈值、熵等分割方法都会因其固有的一些特征而产生低质量的分割结果。这些特征包括:(1)目标的热分布不一致容易引起灰度分布不均匀,且易于背景灰度分布发生混叠;(2)红外图像信噪比低,噪声成分复杂;(3)红外目标的边缘较为模糊。因此,为了有效地避免这些因素的影响,研究高效率高性能的分割方法一直成为国内外研究的热点。　　脉冲耦合神经网络(Pulse-coupledneuralnetwork,PCNN)作为生物视觉复杂神经系统的仿生模型,具有对邻域相似输入的神经元同步发放脉冲等特性,有助于克服红外目标亮度与背景混叠等因素导致的分割质量不佳。然而,由于其内部所需设置的参数众多以及参数与图像特性之间关系不明确,极易引发神经元不规则的行为,导致较高的分割错误。为此,本文深入开展了PCNN模型参数优化及其红外图像分割机制的研究,提出并建立模型参数与图像特性、参数与参数之间的关系,旨在获得较好的分割结果。具体而言,论文所取得的创新性成果主要体现如下几点:　　(1)聚类分析是研究分类的基本方法,本文在聚类分析的框架下,提出了真实均值和估计均值保持一致性的聚类分割理论,并借助脉冲耦合神经元同步发放脉冲特性,构建了一种新的PCNN简化模型(simplifiedpulse-coupledneuralnetwork,SPCNN)。在该模型中,提出并建立与脉冲输出相关联的一种全新的图像分割机制,为实现高质量红外图像分割结果奠定了基础。　　(2)提出了SPCNN模型在贝叶斯规则下的红外图像分割方法。首先,分析和探讨了在最佳分割条件下SPCNN连接系数设置方法,接着通过引入贝叶斯规则,确保了PCNN邻域同步点火特性,从而可以摒弃现有诸如基于熵、类间测度等迭代停止规则,自适应地得到分割结果。相比于其他经典的阈值分割算法和现有的一些PCNN分割方法,实验结果表明本文提出的方法针对一些代表性的红外图像具有较好的处理能力,并在一定程度可分离目标和背景灰度分布的混叠,同时验证了真实均值和估计均值保持一致性的聚类分割理论的有效性。　　(3)进一步优化SPCNN模型及其参数设置,建立了一种具有抗噪能力的SPCNN图像分割模型。该模型改变了神经元的反馈输入,增添了与之相邻的神经元灰度信息。同时,在脉冲输出中提出采用非参数核密度估计聚类规则作为分类器,增强PCNN邻域同步点火特性,由此提出了一种由粗到精的分割策略,从而降低了连接系数设置的复杂度。实验结果表明,该模型能有效地分离目标和背景灰度分布的混叠,获得了较高的分割性能,且可通过阈值的适当调整处理更为广泛的红外图像。与SPCNN相比,提出的方法在抗噪声和分割性能上都展现出明显的优势。　　(4)深入开展了PCNN邻域同步点火特性的分析,提出了一种简单有效的SPCNN图像阈值分割方法。在该方法中,直接采用了与点火区域相关联的全局阈值。同时,在分析图像邻域特性基础上,引入了聚类分析中的距离测度,并从优化角度提出了一种最小加权均值偏离的目标函数作为局部阈值设置规则,从而建立了SPCNN中连接系数与阈值之间、连接系数与图像特性之间的关系。实验结果表明,提出的方法获得的分割结果优于一些经典的阈值分割方法以及其他PCNN分割方法,且相比于非参数核密度估计下的SPCNN模型的分割性能,其时间复杂度得到了简化。　　(5)为方便后续红外图像内容的分析,研究了SPCNN模型多层分割方法。该方法继承并改善了SPCNN阈值分割方法中连接系数的设置方式,引入了一种距离测度的模糊隶属度函数,并采用优化的方法快速求解最佳连接系数,从而增强PCNN邻域同步点火特性。在这个特性支撑下,提出了一种自适应图像多层分割策略,从而为拓展该方法在其他领域的应用奠定了基础。与较新的PCNN多层分割方法相比,实验对比结果验证了该模型多分层分割方法的有效性,且在单层图像分割性能上,也优于SPCNN阈值分割方法。