脉冲耦合神经网络(Pulse Coupled Neural Network-PCNN)是对哺乳动物视觉神经系统进行模拟得出的新一代人工神经网络,因其具有同步脉冲发放、时空综合、自动波等非常有利于图像分割的特性而备受关注,成为图像分割领域的研究热点。本文的主要研究内容如下:首先,对传统的图像分割算法以及脉冲耦合神经网络的基本理论进行分析,深入研究了脉冲耦合神经网络模型的原理,总结了脉冲耦合神经网络的基本特性。其次,提出用改进免疫遗传算法与PCNN模型结合的新思路,并对免疫遗传算法的改进方法进行了设计和图像分割实验。结果表明,用最大类间方差改进的免疫遗传算法对多峰值、单峰值及灰度值分布均匀图像的分割效果,在区域对比度指标上优于以区域一致性和熵函数为亲和度的免疫遗传算法,验证了本文算法的实用性。最后,分别对基于OTSU、最小交叉熵和遗传算法的PCNN图像分割方法进行分析,这三种算法对PCNN图像分割算法的循环终止条件和模型参数的自适应设置进行了改进,但PCNN图像分割算法本身的复杂性仍旧存在。针对该问题,本文提出将改进的免疫遗传算法与PCNN模型结合得到IGA-PCNN图像分割方法:先用改进的免疫遗传算法自适应得到最佳阈值,然后将最佳阈值替换PCNN模型中的动态阈值,最后利用PCNN模型的脉冲耦合特性完成图像分割。IGA-PCNN算法不仅减少了 PCNN模型中动态阈值相关参数的设置,还降低了分割过程的复杂程度。实验结果证明,IGA-PCNN图像分割方法对多峰值、单峰值及灰度值分布均匀的可见光图像均有很好的分割效果。