1950s数字图像处理产生，从此学术界对它的研究连绵不绝。十多年之后，数字图像的处理被独立出来成了一门课程。图像分割技术是处理图像的一种基础技术，在图像处理领域中占了重要地位，且在图像工程、模式识别、计算机视觉等方面起着重要作用。本文正是以图像分割为研究课题，以如何能更好地图像进行省时而有效的分割为研究目的，提出了基于最大熵的脉冲耦合神经网络（PulseCoupled Neural Networks，简称PCNN）的方法。众所周知，有效的分割方法有利于理解图像的本质和后续的研究工作等，因此本文分割方法的研究是具有一定意义的。传统的处理图像的分割问题的方法有：基于灰度级算术均值法、基于熵与直方图法、基于最大类间方差法、基于边缘的检测分割法，基于阈值的分割法，基于边界提取的分割法，基于区域的分割法，基于特定理论的分割法。同时，当然少不了产生的一些相关模型，如健壮尺度区域模型，二维经典C-V模型，尺度区域拟合模型，三维C-V模型，健壮统计三维C-V模型，几何主动轮廓模型等。本文将出基于脉冲耦合神经网络的方法。此方法对上述分割数字图像时的不足具有一定的弥补作用。用PCNN方法分割数字图像的模型中，以神经元为单元，构成二维的一层的神经元列。PCNN模型中神经元的数目一致于像素数目，每个神经元一一对应于每个像素。根据PCNN的脉冲传播特性而引起的同步脉冲现象来实现图像分割。虽然PCNN方法有这种不可磨灭的优势，但仍存一些劣势，故本文将改进它，改进后的PCNN采用线性方式动态地调整阈值，采用最大熵确定PCNN的循环迭代次数，采用中值滤波的思想对PCNN的接收部分进行改进，以克服噪声对分割过程的影响，最后将该算法应用于图像的分割。通过实验的结果得到，本文提及的方法能普遍适用于分割数字图像，且分割时间短，分割的效果尚佳。