在数字图像处理的过程中,通常要对成千上万的图像信息数据进行处理,工作量非常巨大,如果可以将图像中有代表性的信息提取出来,针对性的进行数据处理,就会显著提高图像处理的效率。边缘作为一幅图像的重要内容,包含着图像中不同物体的轮廓、纹理和结构等信息。人们常常利用边缘将图像分割成不同的目标和区域,进而对图像中感兴趣的部分进行识别,优秀的边缘检测结果可以在完好保留图像特征信息的前提下,大大减少后续图像处理所需的数据量。因此,如何快速、准确地提取数字图像的边缘,成为当前图像预处理领域的研究热点。常见的图像边缘检测算法设计简单,检测速度快,取得了一定的边缘检测效果,但同时也存在着边缘定位不准确、连续性不好、对噪声敏感等缺陷。本论文针对数字图像边缘的特点,利用脉冲耦合神经网络(PCNN)的同步脉冲发放特性,设计了一种基于PCNN的图像边缘检测算法,可对灰度图像中的边缘进行有效的检测和提取。作为第三代人工神经网络的重要标志,PCNN神经元与人类视觉神经元在结构上非常相似,具有很高的仿生性。但传统PCNN神经元模型拥有众多的网络参数,而且参数设置会影响整个网络性能的好坏,所以,网络参数的设置非常关键。本论文对PCNN神经元在无耦合连接情况和有耦合连接情况下的点火特性进行了时域上的研究分析,改进了简化PCNN模型的网络参数,并提出了关键参数的自适应设置方法。数字图像在进行处理前难免会受到各种各样噪声的污染,这些噪声对图像的处理结果产生了非常不好的影响。本文研究分析了常见图像噪声的特点,利用PCNN的同步脉冲发放特性,对图像中的噪声点进行检测和提取,仅对噪声点进行滤波处理,从而减少噪声滤波引起的图像纹理和细节的模糊。针对数字图像PCNN迭代过程中出现的边缘检测现象,设计一种图像边缘检测PCNN神经元模型,提出了网络参数自适应的PCNN图像边缘检测算法,通过matlab平台的仿真实验,验证了该算法的可行性,并将检测效果与传统算法进行比较分析。如何确定PCNN神经元模型关键网络参数的自适应设置方法,是提高该算法边缘检测性能的关键,论文对此开展了详细的研究和分析。