图像分割是计算机视觉中目标识别和分类的关键步骤,其目的是将一幅图像根据颜色和纹理等属性分割成若干个图像段。超像素分割产生感知一致的像素区域,与传统图像的单一像素表示不同,超像素提供了视觉上有意义的实体,可以用作图像处理和计算机视觉任务的预处理步骤。使用超像素代替像素的突出优点是减少了后续处理的计算成本,缺点是在复杂的物体边界上不能完美的贴合。PCNN模型是一种基于猫视觉皮质神经元信号转导的神经网络模型,通过线性相加和调制耦合,PCNN对相邻激励信号有较好的处理能力,利用同步脉冲点火的特性和每个神经元的捕获能力,不需要训练就能很自然地反映网络的生物学特性,具体表现在对图像的边缘区域上具有很强的敏感性。因此,本文将PCNN模型运用到超像素分割算法中进行图像分割预处理,提出了基于PCNN和超像素的图像分割方法。主要工作总结如下:（1）针对SPCNN模型参数众多,分割过程不够收敛,造成分割结果产生边界分割不完整,区域过分割等问题,简化原有参数,提出了参数可控的MSPCNN模型。该模型根据周围神经元对中心的影响,改进SPCNN模型的权重矩阵和耦合系数,通过分析阈值间的关系,增设辅助参数。实验表明该模型能够很好地分割目标,准确清晰地划分物体的边缘,为后一章的超像素分割方法提供了良好的应用基础。（2）针对SLIC超像素分割算法对边缘细节处理较差的问题,本文将参数可控的MSPCNN模型运用到SLIC中。方法首先利用模型的输出Y值划分区域边缘,较好地保存物体的边缘;然后根据内部活动项U值紧密联结性的特点,在聚类中增加邻域信息的计算,保留分割的细节;最后利用相似性准则二次合并碎片,进一步提高边缘贴合度。实验结果表明,该方法分割效果不仅很大程度上改善了SLIC算法,且优于其他方法。（3）针对SFFCM聚类算法需要人工设置聚类数和目标函数中模糊隶属度对异常值敏感的问题,提出了基于超像素的无监督FCM彩色图像分割方法。该方法在超像素的基础上引入聚类算法,有效减少了聚类算法的计算复杂度,通过加权K邻近优化局部密度,根据相邻γ点的斜率差与斜率差中位数的大小确立临界点,然后比较临界点所属的超像素与候选点所属的超像素间的距离和临界点所属超像素内K邻近中的最大距离,确定有效的聚类中心,改进了密度峰值聚类,使其可以为SFFCM聚类算法提供适合图像的聚类数目。另外,将惩罚项集成到SFFCM聚类算法中,提出一种基于正则化的自稀疏SFFCM,灵活控制隶属度矩阵的稀疏性,降低噪声的影响。实验结果表明,提出的方法不但可以为不同的超像素分割算法提供准确的聚类数,而且在相同聚类数下,提供了比目前主流的FCM聚类算法更好的图像分割结果。