图像在采集、压缩和传输等过程中经常会受到干扰而形成图像噪声，这严重影响了后续的图像分析，例如图像的分割、识别、配准和分类等等。因此，在图像预处理过程中图像滤波显得尤为重要。能否有效地改善图像质量，能否尽可能少地受到图像中噪声的影响而导致结果的准确性下降，这些都在很大程度上取决于对噪声图像的滤波等处理方法是否有效、是否符合实际情况。脉冲耦合神经网络(PCNN-Pulse-coupled neural networks)是近年来提出的一种新型神经网络，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。这个模型已被广泛应用于数字图像处理。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中的应用。 在图像滤波中，人们希望在保留图像细节的同时尽可能地去除噪声，但两者在实际处理中通常是矛盾的。目前各种滤波算法的研究基本上是围绕解决这一矛盾而展开的。本文分析了脉冲噪声、高斯噪声以及它们的混合噪声三者的特点，提出了基于PCNN的不同滤波算法，其主要工作包括：(1)分析了用PCNN处理图像的特性；(2)利用PCNN的点火捕获和同步脉冲发放机制，定位、去除脉冲噪声；(3)针对强高斯噪声的特点，基于邻域象素灰度值的变化，分别采用改进的自适应均值滤波方法和改进的PCNN方法滤除强噪声、平滑弱噪声；(4)针对脉冲和高斯混合噪声的特点，提出了基于双PCNN的滤波算法。经过仿真实验验证，以上图像滤波算法能够在有效滤除噪声的同时，较好地保留图像的细节信息。