从20世纪90年代开始，由Eckhorn等对猫、猴的视觉皮层神经元脉冲串同步震荡现象的研究，进一步演化得到了哺乳动物的近似神经元模型，随着不断的深入研究建立了脉冲耦合神经网络模型(Pulse coupled neural network，PCNN)。　　 本文主要是针对脉冲耦合神经网络的模型、参数调整以及在图像处理的中的应用展开讨论，其主要内容围绕基于PCNN的特征提取与图像识别展开研究。图像识别主要分为图像获取、预处理、特征提取、识别4个主要阶段，文中分别针对后三个阶段展开研究，并通过模拟实验实现整个过程。在预处理阶段主要是对图像进行去噪、必要的几何变换等，对于去噪，简单介绍了如均值滤波、中值滤波算法以及相应的处理结果。特征提取阶段分别探讨其在简单几何图形与复杂图形上的特征提取与识别，文中所涉及到的特征主要有特征时间序列、信息熵序列以及欧拉序列，最后结合模式分类器如最小距离分类器、BP网络模式分类器等进行下一步识别，通过模拟实验验证了其优越的特征提取能力。　　 论文的主要内容安排如下所示：　　 首先，扼要的对PCNN的研究现状、研究目的以及研究意义给予简单的描述与概括，并阐述了本文的主要工作与内容安排。　　 其次，在已有理论的研究基础之上对PCNN理论及模型给予详细的推导和介绍，重点介绍了其神经元模型的来源、工作原理以及神经元点火周期特性，同时还探讨了脉冲耦合神经网络模型在耦合与无耦合两种情况之下神经元工作原理，并结合电路理论模型来加以补充解释说明。在探讨其理论及模型的基础之上，进一步研究其在图像处理中的应用，主要围绕其在图像识别中的应用展开研究工作，详细介绍了图像的预处理、特征提取以及模式分类器的原理、算法以及模拟实验过程。　　 再次，将PCNN用于简单几何图形、人物图像的特征提取以及识别，并在前人已有的研究基础之上完善基于PCNN的图像识别系统，包括图像的获取、预处理、特征提取以及识别整个过程，并给予详细的理论介绍、实验过程以及实验结果。　　 然后，对PCNN参数的设置进行了研究与探讨，通过信息熵来确定最节迭代次数以及最佳分割阈值，从而进一步确定PCNN模型中动态阈值的时间衰减常数，并通过实验表明通过该方法确定时间衰减参数取得了不错效果。　　 最后，本文主要创新点为引入欧拉序列作为PCNN提取的特征以及在此基础之上结合PCNN与BP网络模式分类器建立识别系统，同时对本文主要工作给予简要的概括和说明，并提出下一步研究方向。