随机共振机制颠覆了噪声对于信号增强而言是有害的观点，它提供了一种利用非线性系统实现噪声能量向信号转移的新思路。与此同时，越来越多的神经电生理实验揭示，随机共振在神经系统中可能无处不在，并且背景噪声在神经信息流流动中扮演了重要的角色。其中视觉神经系统中的随机共振现象已经成为研究热点，并陆续出现随机共振机制在信号或图像处理中的应用。但上述研究主要集中于理想的双稳态系统或者是单个神经元计算模型的仿真上，关注于随机共振方法本身，而忽视了非线性系统的结构对于随机共振性能也具有重要的影响。因此本文以能够充分反映神经元动作电位产生过程的FitzHugu-Nagnmo(FHN)神经元计算模型为基本单元，首先考虑到自突触结构在视觉神经感知系统中的重要作用，提出了具有自突触特性的FHN神经元模型，进行强噪声背景下弱信号的增强应用；然后考虑神经元之间的突触互连结构，进一步构建耦合FHN神经元模型，以强噪声背景下的图像边缘检测为例展开了应用研究，解释神经感知系统中双向信息流通机制所起到的重要作用；最后构建了基于多重随机共振机制的FHN神经元模型，模拟视觉系统对视野内不同层次细节逐步感知的过程，以多对比度菌落图像为例，进行图像边缘检测实验。本文主要工作和研究成果如下：(1)传统FHN神经元网络只强调神经元之间的连接机制，忽视了微观神经元本身与神经网络系统之间的回路，即“自突触”结构，而本文认为该结构在神经系统信息传递过程中扮演重要角色，因此对传统FHN神经元模型进行改进，模拟自突触结构在神经系统中传递信息的过程，并以改进后的模型（自突触FHN神经元模型）为单元，构建神经元网络并应用于一维弱信号的增强，通过梯度下降法自适应搜寻最优内噪声，并给出定量指标进行评价；将研究对象扩展到二维图像信号增强，以峰值信噪比为定量指标，独立调节内、外噪声强度。实验结果表明，改进模型具有较高的峰值信噪比值，增强后的图像细节丰富、层次感强，毛刺少，且对内、外噪声鲁棒性强。(2)神经系统功能需要多个脑区神经元协同配合完成，而传统的神经元并联和串联网络基于单向信息流通方式，无法模拟神经元之间复杂的连接方式，因此本文提出一种基于双向信息流通机制的耦合FHN神经元模型：神经元之间以互反馈的形式构成闭环系统，同时将其应用于强噪声背景下一维弱跳变信号的检测问题，随后进一步应用于强噪声背景下的二维图像边缘检测。实验结果表明：与传统的并联FHN神经元模型以及串联FHN神经元模型相比，新模型检测到的边缘具有较高的信息熵值，且边缘完整、准确、清晰，细节信息丰富，图像层次感强，凸显轮廓。(3)考虑到耦合FHN神经元模型本质上是全局意义下的增强，并不适合多级强度下的跳变信号增强。因此提出一种基于多重随机共振机制的弱信号增强新方法。首先在噪声激励下，图像的强对比度边缘得到凸显；随后将检测结果与视野内原图进行融合，减弱高对比度边缘对于视觉感知的干扰，再次利用随机共振机制实现对低对比度边缘的检测。将其用于强噪声背景下的多幅值跳变信号的检测问题，独立调节内、外噪声，以研究新模型的鲁棒性。强噪声背景下多对比度菌落图像的边缘检测结果表明，新模型对应的ROC曲线更陡，误检率更低，同时AUC值和信息熵更高。对于各个强度级的边缘均有较好的边缘检测效果，表现为边缘信息丰富，轮廓完整，凸显图像层次感，噪声得到较好抑制。