强噪声背景下的弱信号检测和增强技术研究，将有助于理解生物神经系统响应外界弱刺激的能力，同时也将有利于测量新技术在工程领域中的应用。传统弱信号检测方法，认为噪声的存在对原信号是完全有害的，因此只能通过削弱噪声来实现信号的增强。但对于强噪声背景，尤其是缺乏噪声先验知识时，传统方法的性能将急剧下降。近年来，随机共振现象在神经电生理实验中被陆续发现，表现为适当强度的噪声不仅无害，反而可以改善神经系统对弱信号的检测性能，它为弱信号的检测提供了新的思路和方法。由于FitzHugu-Nagnmo(FHN)神经元模型能够简约地描述神经元膜电压与离子通道之间的内在联系，因此经常被用于神经系统弱信号检测的随机共振机制研究。但传统的FHN神经元模型重点关注于神经元级本身，忽视了神经元系统中存在的复杂网络结构。而本文认为神经元网络结构在弱信号检测的随机共振机制中扮演了不可或缺的角色，因此本文首先给出了双层FHN神经元网络模型，以反映神经元之间的层次关系；然后考虑到神经元动作电位在传递时的耦合作用，引入了反馈FHN神经元网络模型；最后为了模拟神经动作信号在树突传递过程中具有的延迟反应以及神经细胞具有的不应期效应，提出了基于延迟反馈的FHN神经元模型。本文将上述改进模型分别应用于一维周期和非周期弱信号的检测过程，结果表明神经元网络结构的存在将有利于随机共振应用的稳定性。论文以菌落细胞图的弱边缘分割，以及强噪声背景下的灰度图像增强为例，给出了神经元模型随机共振机制在二维弱图像处理中的具体应用。本文主要工作和研究成果如下：(1)论文提出了一种基于延迟反馈的FHN神经元网络模型。新模型不仅能够反映神经元在有效激励和内外噪声刺激下动作电位发放的随机共振机制，而且体现了神经系统中层次、耦合以及延迟等网络特性对于动作电位响应的作用。论文针对延迟反馈网络模型，提出采用马尔科夫概率密度近似方法进行分析，给出了新模型应用的具体手段。(2)论文给出了一维周期和非周期弱信号的随机共振增强方法。研究了神经元网络结构对于随机共振增强性能的影响，重点分析了延迟时间等网络参数与可选噪声强度范围之间的关联性。结果表明基于延迟反馈的FHN神经元网络模型具有更宽的噪声强度优化范围，显著提高了弱信号随机共振检测的稳定性和实用性。(3)论文针对具有弱边缘特性的图像目标识别应用，提出了一种基于FHN神经元随机共振的图像分割新方法。以非均匀菌落细胞图像为例，将行列扫描后的图像信号，作为FHN神经元的激励，获得相应的随机共振响应；最后，将响应通过决策器得到二维分割图像。实验结果表明：本文方法能够使目标的弱边缘得到有效增强，能够分割出形态上较小，灰度值较弱的菌落细胞，与传统灰度图像分割相比，本文方法在弱目标检测上效果更佳。(4)论文提出了一种基于FHN延迟反馈神经元随机共振的图像增强新方法。以灰度图像为例，研究反馈结构以及延迟时间等参数在灰度图像随机共振增强中的作用。并与未改进的图像增强方法相比，结果表明：本文新方法在保留图像细节的前提下，能够有效地减弱噪声。