脉冲耦合神经网络(Pulse Coupled Neural Network, PCNN)是一种有着生物学背景的新一代人工神经网络,与传统人工神经网络(Artificial Neural Network, ANN)有着很大的区别。PCNN具有脉冲耦合、双通道相乘调制、阈值动态可变等特性。在有外部神经元脉冲和外部激励信号输入时具有不应期和被捕获现象,神经元相互作用时体现了时间和空间累加特性,很好地模拟了生物神经元的疲劳、不应期和脉冲激励现象。目前已广泛应用于图像处理的各个领域,显示出巨大的优越性。图像分割是图像处理中的重要步骤,其结果关系到后续图像识别和机器智能处理的精确度,一直都是图像处理研究的热点。本文针对PCNN在图像分割领域中的应用,进行了相关研究。利用PCNN的区域增长、图像熵、最大相关准则以及遗传算法等来进行图像分割,探讨了未来PCNN图像分割的研究方向。并利用改进型PCNN通用模型与最大相关准则相结合进行图像分割。所做的研究工作及所取得的研究进展主要体现在以下几个方面:一、综述了PCNN原始模型和原理;改进后的通用PCNN模型和原理;单位链接脉冲耦合神经网络(Unit-Linking PCNN)模型和原理。二、采用综述的方式分析了基于PCNN的图像分割方法。如:基于图像熵PCNN的图像分割方法,基于最大相关准则PCNN的图像分割方法等等。分析了它们在图像分割中的具体应用,并探讨了未来PCNN图像分割的研究方向。三、原始PCNN模型参数众多,选取过程过于复杂;Unit-Linking PCNN模型简单,但是弱化了相似群神经元发放脉冲特性。本文采用改进型PCNN通用模型,很好的解决了上述的问题,同时还在一定程度上讨论了改进型PCNN通用模型中模型参数对分割结果的影响。四、对于阈值θj ( n)的处理,以往的方法多是对其进行迭代递减,使其遍历。本文用二维最大相关准则求解固定阈值,省去了阈值迭代递减的步骤,大大缩短了程序运行时间。五、提出一维最大相关准则作为分割计算中的迭代准则,避免了常用的最小交叉熵中大量的对数计算,最大香农熵中分割图和原图的像素灰度分布没有产生密切联系的缺点。