在图像滤波、图像分割中出现的错误和偏差会直接影响到后续处理与决策的正确性。图像滤波的有效性和图像分割的精确性能够保证为后续处理提供置信度高的输入数据。能否有效的改善图像的质量，能否正确地提取被检测物体的特征参数，能否尽可能少地受到图像中噪声的影响导致结果的准确性下降，这些都在很大程度上取决于对原始图像的滤波和分割等处理措施是否有效、是否符合实际情况。脉冲耦合神经网络(PCNN-Pulse-coupledneuralnetworks)是近年来提出的一种新型网络，被称为第三代神经网络，它是通过模拟猫的大脑视觉皮层中同步脉冲发放行为而建立起来的一个简化模型。本文在深入分析脉冲耦合神经网络工作机理的基础上，着重研究了它在图像滤波、彩色图像分割中的应用。 在图像滤波中，我们希望在保留图像细节的同时尽可能地去除噪声，但这在实际处理中通常是矛盾的。诸多学者们都在试图寻找各种算法或策略来解决这一矛盾，并取得了一定的成效。但是，目前这些算法大都针对椒盐或脉冲噪声的图像而言，针对高斯噪声的图像滤波研究不仅文献较少，而且都没有很好地解决去除噪声与保护图像细节之间的矛盾。尤其对于高方差的高斯噪声研究更为甚少。本文重点研究了高方差的高斯噪声图像的滤波问题。提出了一种先定位和去除大噪声像素，后平滑小噪声像素的滤波思想。该算法较好地处理了去噪与细节保护之间的矛盾，并获得了较满意的滤波结果。 目前，彩色图像分割研究的焦点在于色彩模型空间的选取和图像分割的准确性。在各色彩空间中，已被证实以HSV空间为代表的符合视觉感知的色彩空间适合于图像分割处理。然而，在由RGB空间转化到HSV空间后，H分量中可能存在奇异点，已有的各种算法并没有解决这个问题。有关彩色图像分割方法大都是将灰度图像分割的方法直接应用于色彩空间中的各分量上，然后进行合并处理；或是先对各色彩分量进行量化，然后应用已有的分割方法进行处理。然而，现有的图像分割算法各自存在其不足之处，如阈值分割法没有考虑空间位置信息，因而不能保证分割的区域是连续的；又如区域分割法则在时间和空间上代价都比较大，同时依赖于种子像素的选取以及像素和区域检测的顺序等等。针对上述问题，本文重点研究了由RGB空间转化到HSV空间后的奇异点和不稳定点的问题，并提出了在HSV空间中基于PCNN的彩色图像分割算法，并获得较好的仿真试验结果。 本文的主要工作包括：(1)介绍图像滤波、彩色图像分割的各种模型，分析它们的优缺点，提出将PCNN应用于图像滤波，彩色图像分割，以解决已有方法存在的局限。(2)图像滤波：针对图像中高方差的高斯噪声的特点，提出了一种先定位、去除大噪声像素，后平滑小噪声像素的滤波思想，通过与均值滤波、中值滤波、MTM滤波和IMF滤波方法的比较，仿真实验结果表明本文提出的图像滤波方法能够十分有效地去除高方差的高斯噪声，同时对低方差的高斯噪声也有很好的去除效果，较好地解决了在高方差情况下滤除噪声和保留细节之间的矛盾。(3)彩色图像分割：首先，针对RGB空间到HSV空间的变换公式，分析了色度H分量中存在的奇异点和不稳定点现象，提出了修正变换公式，然后，在HSV色彩空间实现颜色量化的基础上，提出了基于改进的脉冲耦合神经网络(PCNN)的彩色图像分割算法。仿真实验表明，本文方法不仅获得了较好的图像分割效果，而且提高了程序的执行效率。