计算机视觉对于智能计算机的研究具有重要意义。然而绝大多数视觉计算的研究者过多的从工程角度提出各种理论与算法,而忽略了视觉信息处理的神经机制,使得计算机视觉缺少统一有效的算法和完整的计算理论体系。与此相反人类视觉系统却拥有十分出色的图像处理能力。因此对人类视觉信息处理机制进行研究与模拟,能够得到更符合生物视觉的图像处理模型,促进计算机视觉的学科发展。本文参照第一视觉通路中视网膜、侧膝体(Lateral Geniculate Nucleus,LGN)、初级视皮层等重要视觉信息处理区域的神经机制,同时结合实际生物神经元采用神经脉冲的时序来编码信息的特性,提出了若干基于上述神经机制与神经元编码特性的图像处理方法。主要内容为：1.针对图像处理领域的边缘检测问题,基于第一视觉通路中各层次神经元机制,提出一个层次性的脉冲神经网络(Spiking Neural Network, SNN)边缘检测模型。具体为：根据第一视觉通路中神经节细胞——LGN细胞——V1中简单细胞的连接结构以及Hubel-Wiesel连接模型,本文模型首先模拟视网膜中神经节细胞的空间拮抗特性,对输入图像进行锐化处理,得到边缘增强的图像。然后,该模型将边缘增强了的图像传给V1中的简单细胞,简单细胞按照Hubel-Wiesel连接模型,实现特定方向的边缘检测。(按照神经生理学中认可的处理方法,我们假设LGN层细胞仅仅实现中继的作用,没有特别的图像处理功能,因此本模型没有加入该层)。最后该模型对各个方向的边缘图像进行组合,形成最终的边缘图。若干模型测试实验表明,本文提出的模型的性能要优于Sobel, Roberts等经典的边缘检测算法,同时可以取得与Canny算法相比拟的结果。2.作为应用之一,本文将基于双拮抗神经元机制的颜色恒常性模型用于车牌的颜色校正,接着设计了一个SNN检测可能的车牌区域,同时将本文所提出的边缘检测算法用于提取对应于车牌候选区域的边缘图。实验结果表明,基于生物感知的车牌定位算法,具有非常好的定位正确率。