膜计算作为强有力的新兴生物计算模型,具有分布式并行性和离散性等特点,被认为是计算科学最具活力、最具前景的研究领域之一。当前膜计算领域的研究多集中于神经型膜系统,它是一种启发于生物神经系统的模型,但它的理论研究相较于应用研究更成熟。主要原因是神经型膜计算是一种离散型计算模型,在数值计算方面存在一定的缺陷。因此,设计一个可以实现连续型计算的膜计算模型,不仅是膜计算研究领域亟待解决的重要课题,同时对膜计算的理论与应用发展也有重要意义。基于以上思考,借鉴于人工神经网络,将人工神经网络对数据的处理方式与膜计算结合,将原有膜计算模型的离散型计算发展为连续型计算。该模型既可以保留膜计算的分布并行式计算方式,又有神经网络对数据处理的方式与结构。聚类分析是一种无监督学习的数据挖掘技术,同时也是计算机视觉和自然语言处理中的一项重要任务。在当前大数据的时代背景下,数据的体量、复杂性和产生速度也已超出常规数据形态,各行业均呈现出数据信息爆炸的局面,现有的传统聚类方法已很难有效地分析和解决问题。数据的分析和挖掘亟待借鉴、吸收新的计算方法。因此可以在当前的聚类算法中融入膜计算模型,以此进一步优化聚类算法,来有效探索目标数据间的复杂关系和演化趋势。将膜计算模型与聚类算法相结合,不仅实现对聚类算法的优化,还能以此扩展膜计算模型的应用,两者的结合不论从理论还是应用层面上都具有一定的意义。本文的重点研究工作总结如下:（1）构建脉冲神经膜计算模型利用人工神经网络的数据处理方式,设计了一种具有生产函数和激活函数的规则。不同于人工神经网络的数学模型,将信号传递的数值设置为神经元内的对象,将数据计算方式设置为激活规则,构建了一个基于生物膜的神经网络模型,称为脉冲神经膜计算模型（SNMC）。模型可以具象为一个有向图,节点表示神经元,并且神经元之间的突触由带有箭头的弧表示。我们所提的模型中神经元内包含两种数据单元,一个是输入单元,一个是阈值单元,这两种数据都可为零。神经元内的激活规则是脉冲信号的一种产生和计算方式,模型通过规则处理信号。突触上带有权重,这里的权重取值正负皆可,所以通过突触传递的是权重倍数关系的信号。（2）三种基于规则改进的脉冲神经膜计算模型针对SNMC模型,通过改进3种规则分别又提出来3种SNMC模型。第一个引入了反脉冲,提出带有反脉冲的SNMC模型（ASNMC）。第二种在规则后放置时间序列,通过时间区间的形式使得规则具有执行次序,提出带有时间计划规则的SNMC模型（SSNMC）。第三种受启发于玻尔兹曼机,引入能量函数。这使得规则在处理信号时,神经元的状态的改变需要满足一定的概率,拓展出具有临界值的规则,提出带有能量的SNMC模型（ESNMC）。（3）三种改进模型结合三种聚类算法将提出来的三种SNMC模型分别与三种聚类算法结合,分别是谱聚类、密度峰值聚类和模糊C均值聚类。基于当前这些算法还存在的不足之处,分别进行了改进,然后将改进后的聚类算法与模型进行结合。首先,提出了基于ASNMC模型的谱聚类算法。利用ASNMC模型实现了基于P邻域二值化的谱聚类算法的聚类过程,降低了算法的时间复杂度。然后,提出了基于SSNMC模型的密度峰值聚类算法。引进了最大近邻距离和K近邻的密度峰值算法,设计了实现聚类过程的SSNMC结构,以此来提高算法的效率。最后,提出了基于ESNMC模型的模糊C均值算法。基于受限玻尔兹曼机的结构,构建了双层带有学习函数的全连接ESNMC模型,它通过学习函数实现模型参数的优化,主要作用是进行特征学习。然后,引入权重参数,提出了基于权重参数的鲁棒模糊C均值聚类算法。最后将模型学习到的特征再使用WRFCM算法进行聚类。（4）应用于图像处理和文本聚类将基于ASNMC模型的谱聚类算法应用于图像处理,基于ESNMC模型的模糊C均值聚类算法应用于英文文本聚类。综上,本文受人工神经网络启发,提出了脉冲神经膜计算模型。基于构建的脉冲神经膜计算模型进行了规则上的改进,又拓展出三个模型。分别是带有反脉冲的SNMC模型,带有时间计划规则的SNMC模型,以及带有能量的SNMC模型。针对这三种模型从理论和应用两个方面进行研究,理论上证明了模型的计算能力。然后应用上,分别将三种SNMC模型与聚类算法结合,并成功将两种结合后的算法应用于图像处理和文本聚类。