图像分割作为图像处理、模式识别乃至人工智能的第一个基本步骤是计算机视觉的基础。为了让计算机理解图像含义，首先必须将图像中的物体分离出来，然后分析它们之间的相互关系。神经网络成功的表述图像目标并成功应用于灰度图像分割为彩色图像分割提供了一种新的实现途径。　　 彩色信息的在球空间中的表示方法通过将RGB映射和转换到球空间坐标系下，生成高目标区分度的灰度图像，使神经网络能够应用于彩色图像分割中。　　 本文分析了动态耦合振荡神经网络（Dynamically Coupled Neural Oscillator Network，以下简称DCNON）的数学模型和工作原理，以及在实际应用中的不足，根据振荡神经网络的动力学特点，借鉴机械波传播模型，提出一种基于耦合势能衍射检测的改进DCNON分割算法；进一步将该改进算法与彩色图像球空间表示方法结合提出一种基于改进振荡神经网络的混合彩色图像分割方法；该方法首先将彩色图像从RGB的三维笛卡尔空间转换到球坐标空间，去除由光照和纹理引起的背景噪声，构成平滑的角度灰度图，将角度灰度图映射到动态耦合振荡神经网络的二维平面上，利用改进结构的算法对相位灰度图进行分割；通过MATLAB对改进DCNON算法的仿真，对比原始算法验证了改进算法的高效性；通过对混合算法的仿真，对比目前常用的彩色图像分割算法分割效果，证明混合分割算法的鲁棒性和较好的普适性。