图像细化算法通过删除原图像的像素点,在不改变原图像拓扑结构的前提下,得到纹线为1像素宽的细化图像。细化算法又称为骨架化算法,是图像预处理中的重要部分。好的细化方法有利于图像的特征提取,有利于图像识别准确率的提高。因此对图像细化算法做进一步的研究是十分有意义的。脉冲神经膜系统(Spiking neural P systems,简称SN P systems)是膜计算框架下的类脑计算模型,属于第三代神经网络,具有与图灵机等价的计算能力。对于脉冲神经膜系统的研究主要集中于理论层面,如何将其应用到图像处理领域引起了不少研究人员的兴趣。在此背景下,本论文对脉冲神经膜系统及其变体进行了研究,并探索了该模型在图像细化中的应用。针对脉冲神经膜系统计算的不确定性,提出了激发规则带优先级的脉冲神经膜系统。并提出了基于脉冲神经膜系统的图像细化算法,给出了系统的形式化定义和拓扑结构,介绍了系统的工作流程。最后,实验得到的结果证明本文的图像细化方法有更高的数据压缩效率。在保证原图像拓扑结构不变的前提下,本方法得到的图像纹线更加简单、纹线毛刺更少。在手写字符图像的细化方面,得到的图像骨架毛刺比基于Guo and Hall算法的脉冲神经膜系统得到的图像骨架毛刺明显减少。另外,本方法在对指纹图像和路牌图像细化时,能实现有效的细化操作。所以,本文提出的方法能够实现图像数据压缩,能够应用于字符识别、指纹识别、路牌识别等图像识别的预处理中。