图像分割是图像处理和计算机视觉领域一个重要的研究方向。它是计算机视觉以及医学图像处理、工业自动化和卫星图像处理等实际应用的算法基础。人工神经网络是对人脑结构的算法或硬件模拟,已经被成功应用于包括图像分割的许多领域。但现有的基于神经网络的图像分割方法在分割效果以及算法的时间复杂性和空间复杂性等方面都还存在着一定的问题。正是为了解决这些问题,本文新提出了两种基于神经网络的图像分割方法。第一种是基于Lotka-Volterra 神经网络的方法。Lotka-Volterra 模型是一种竞争型回复式神经网络,它是模拟生物神经元的薄膜动力学(membrane dynamics)得到的,已被广泛应用于噪声环境中的输入选择问题。用神经元来对应从图像中提取出的边缘特征,则可通过神经元之间的相互竞争来同时实现对目标和背景的分离以及不同对象的分割。神经元之间的竞争是根据所对应的边缘特征之间的相关性进行的,相关性的计算考虑了共圆性、平滑性、对比度变化和距离等因素。由于使用了图像边缘的全局结构信息,本方法有较好的抗噪声能力。第二种方法是基于竞争型离散回复式神经网络(CDRNN)的方法。本方法主要侧重于解决医学图像分割问题。CDRNN 具有三维层次化的网络结构,使用非饱和分段线性函数作为激活函数,它的每一列对应一个竞争型子网络。本文在附录中对CDRNN 的动力学行为进行了分析。在将CDRNN 用于医学图像分割时,不仅使用了图像的全局灰度信息,而且还使用了其局部纹理信息,从而使得分割的结果比基于全局灰度信息的方法更平滑和连续。但与其他基于局部信息的方法一样,CDRNN 方法有很高的时间复杂度和空间复杂度。为了解决这个问题,我们提出了一个叫divide-and-merge(DAM)的算法。使用DAM 算法时,首先将图像分成大小相同的小方块,然后对每一个小方块使用CDRNN 方法进行分割,最后使用FCM 方法将各小块进行拼合。实验仿真显示该方法比另外两种常用的方法(FCM 和CHNN)有更好的分割结果。