目前,人们对脉冲耦合神经网络(pulse coulped neural networks, PCNN)的研究已经十分广泛和深入,其在图像领域的处理能力也日显强大。PCNN模型作为单层的神经网络模型,不需训练就能实现模式识别、图像分割、目标分类等,因此非常适合于实时图像处理环境。PCNN网络作为一种多参数的系统,对于同一幅图像不同的参数组合有时候会得到相同的网络迭代特性,但当图像不同时这种情况又会发生变化,从而使参数的设置没有标准可言,很多情况下理想的参数都是依靠经验获得。为实现自适应PCNN模型,本文分别将PCNN模型与粒子群优化(partical swarm optimization, PSO)算法和人工蜂群优化(artifical bee colony, ABC)算法相结合,通过优化PCNN模型参数和全局阈值,实现图像的自适应分割。同时PCNN模型是基于哺乳动物视觉神经模型而提出的,与人类视觉系统对图像边缘细节的信息比较敏感的情况更加符合。本文提出PSO-PCNN模型与PSO算法多尺度分解相结合的图像融合算法,针对多尺度分解得到的高频和低频部分,高频子带图像代表图像边缘细节信息,将高频子带中的灰度值直接作为PCNN神经元的激励；低频部分采用改进后的空间频率作为PCNN的激励,有效抑制噪声对融合图像的影响并有效的选择融合图像的融合系数,实现了图像的自适应融合。鉴于传统优化算法中的适应度函数中都存在对数机制,本文提出了两种不含对数机制的适应度函数,即乘积型交叉熵以及乘积型图像熵,分析表明两种熵能降低计算复杂度。