多源图像融合及增强作为提高图像信息利用率及改善图像质量的重要技术手段,在医学诊断、军事目标识别及卫星遥感图像处理等计算机视觉领域有着广泛应用前景。其中,基于图像客观质量评价函数约束与优化的算法能够获得更好的客观评价效果,但仍面临着处理精度不足、主观视觉效果差、算法复杂度较高等问题。针对这些问题,论文将脉冲耦合神经网络（Pulse-Coupled Neural Network,PCNN）与多特征分析结合,展开对多源图像融合及图像增强算法的研究。主要研究内容如下:一、分析了PCNN的神经元链接、脉冲发放与时间信号动态行为等关键特性,通过图像增强、分割等应用分析与研究了PCNN在图像处理应用中的优势与不足。另外,从图像像素聚类特性、图像质量评价函数及相关统计特性、图像主观视觉感知特性三个方面分析了图像特征相关信息,为后续算法的提出奠定理论基础。二、针对红外与可见光图像融合中易出现的红外目标显著性降低、可见光细节对比度缺失等问题,提出一种基于PCNN与目标提取的红外与可见光图像融合算法。基于图像像素聚类分析的显著目标检测（Salient Object Detection,SOD）方法将红外目标与背景分割,在非下采样轮廓波变换域内（Nonsubsampled Contourlet Transform,NSCT）融合目标与背景区域。实验结果表明,该算法可以突出红外目标显著性并保留可见光细节信息,在视觉观测效果上优于对比算法。三、针对传统算法抗噪声能力差、未配准图像融合易出现伪影等问题,基于图像质量评价函数及图像视觉统计特性分析,提出一种基于PCNN结合视觉统计特性的多聚焦图像融合算法。通过制定区域清晰度评价函数将多聚焦图像聚焦区域进行整合,尽可能减少需要融合的区域来提高算法效率。实验结果表明,该算法可有效克服基于像素融合方法中易出现的噪声、模糊以及误配准等带来的问题,且相对于卷积神经网络算法具有更快的计算速度。四、针对现有增强算法处理原图色彩失真、含有噪声及对比度较低等问题时面临的难点,提出一种基于PCNN与视觉感知的彩色图像增强框架,并将其应用于水下图像增强。首先通过分析色彩空间、图像的色彩构成以及自然图像在色彩空间中的分布规律,得到基于图像内容的色彩视觉偏好模型。然后基于视觉偏好模型获得原图像的色彩纠正结果,最后通过PCNN模型对图像细节进行增强。实验结果证明了该方法有效可行,解决了图像色彩失真造成的视觉观测效果较差等问题。