有生物学背景的脉冲耦合神经网络(PulseCoupledNeuralNetwork-PCNN)是一种时空编码的新型人工神经网络，近来得到研究者们广泛的关注。针对脉冲耦合神经元结构复杂，对其进行了合理的简化，减少了参数的选择，引入了单位联接(Unit-linking)的概念，得到了Unit-linkingPCNN，它继承了PCNN的主要特点。Unit-linkingPCNN易于分析与控制，便于用硬件实现，可应用于图像处理、优化等领域，对其展开深入研究具有重要的理论意义与应用价值。 本文的工作取得了以下的新进展：1.提出了基于数学形态学的Unit-linkingPCNN二值图像通用设计方法。首先证明了严格的数学形态学运算与Unit-linkingPCNN的运算是完全等价的；接着从数学形态学的角度，分别提出了Unit-linkingPCNN颗粒分析新方法及PCNN二值图像噪声去除新方法；在上述研究的基础上，提出了Unit-linkingPCNN二值图像通用设计方法，并据此统一了我们曾提出的图像边缘检测、细化、空洞滤波等方法。 2.提出了用Unit-linkingPCNN产生具有旋转、平移不变性的全局图像时间签名的方法；提出了能反应图像局部变化的Unit-linkingPCNN局部图像时间签名；并将两者应用于智能机器人的实际项目中。Unit-linkingPCNN全局图像时间签名在目标识别中具有旋转及平移不变的优良性质；其在非平稳视频流的导航中具有稳定的特征提取性能，导航成功率远高于增量主元分析(CCIPCA)算法。Unit-linkingPCNN局部图像时间签名能反应图像的局部变化，可有效地用于目标跟踪。全局图像时间签名及局部图像时间签名两者相结合，可有效地进行平稳视频流的“智能机器人1号”的自主实时导航。 3.提出了基于Unit-linkingPCNN的方位检测模型及方法，模仿了大脑视觉皮层的方位检测功能。 4.提出了拥有TOP-DOWN机制的Unit-linkingPCNN注意力选择模型及方法，该模型将感兴趣目标轮廓的链码作为先验知识，通过目标轮廓的周期性振荡实现注意力选择；同时将我们曾提出的Unit-linkingPCNN边缘检测方法与本文提出的方位检测方法及注意力选择方法统一到一起，用Unit-linkingPCNN实现了从边缘检测至方位检测，再到注意力选择的全过程。