探索生物视觉系统的工作原理,建立相应的机器视觉系统,并将其应用于图形图像处理中是当前人工智能、计算机视觉、计算机图形学和数字图像处理领域的前沿课题。人类及哺乳动物的视觉系统对信号的处理机制精确而复杂,能实时而充分地感知外界环境,进而迅速做出判断,从多项指标进行衡量,均好于目前绝大多数的机器视觉系统。因此,借鉴视觉神经科学关于视觉神经系统的生理结构及信息处理过程的研究成果,构建及改进相应的机器视觉模型,并将其应用于计算机图形图像处理中具有非常重要的科学意义与应用价值。脉冲耦合神经网络是参照猫的大脑皮层视觉区神经元同步脉冲发放特性所建立的一种生物视觉模型。该模型作为一种新型的图像处理工具,具有以空间邻近和亮度相似集群的特点,已广泛应用于数字图像处理的各个领域,如图像滤波、图像分割、图像融合、图像边缘和目标检测、图像特征提取等。本文在分析与总结国内外相关研究工作的基础上,一方面将该模型从图像处理领域扩展应用到图形处理领域中——点云去噪,网格去噪及拼接,另一方面则在已有的研究基础上,更加深入探讨该模型在彩色图像去噪、彩色图像分割、彩色图像融合这三个图像处理问题上的应用。本文主要研究内容和取得的成果包括：首先,本文提出一种基于脉冲耦合神经网络的点云曲面去噪方法。该方法主要分为两步：噪声点定位与噪声点滤波。首先针对点云曲面构建一个脉冲耦合神经网络,各个神经元的外部刺激值由邻近点的几何位置差异与法向差异构成,利用神经元输出的点火捕获特性,实现对噪声点的定位；再针对点云曲面中的噪声点,基于网格光顺中双边滤波的思想,实现噪声点的滤波,对于非噪声点,则保持原有的几何位置不变。实验结果表明,该方法在有效去除噪声点的同时,能同时保持模型的几何特征。其次,本文提出一种基于脉冲耦合神经网络的三维网格去噪,融合及拼接方法。该方法结合脉冲耦合神经网络及双边滤波算法实现对三维网格的去噪,通过融合重叠区域的顶点以及带边约束的基于点邻域平坦度的网格重构算法,实现了大交叠区域的三角网格的拼接,避免了因删除重叠区域的顶点而需要的补洞操作以及裁剪而产生的细碎三角形。首先,基于有向包围盒的思想,对网格的重叠区域进行快速定位：然后针对重叠区域的网格顶点,利用移动最小二乘的方法进行融合,避免了由于配准不精确而产生的噪声；再利用带边约束的基于点邻域平坦度的网格重构算法,对剩下的重叠区域的顶点进行三角化；最后通过合并网格中的共同边界边实现网格的拼接。实验结果表明,该方法能实现对存在大交叠区域的三角网格快速而有效的拼接。然后,本文提出一种基于脉冲耦合神经网络的彩色图像椒盐噪声滤波方法。该方法首先对彩色图像进行基于直方图方差的增强处理,然后利用脉冲耦合神经网络定位噪声点,最后利用类似于矢量中值滤波法的规则移除噪声点。实验结果表明,该方法在去除椒盐噪声的同时,能较好地保护图像细节与边缘信息。接下来,本文提出一种基于脉冲耦合神经网络的彩色图像分割方法。该方法首先利用香农熵对彩色图像进行增强处理,然后利用脉冲耦合神经网络对增强后的图像进行循环点火操作,利用最大方差自动确定脉冲耦合神经网络的迭代次数,再利用香农熵从各次迭代所产生的分割图像中选出最优方案输出。实验结果表明,该方法能较好地实现对彩色图像的分割。最后,本文提出一种基于脉冲耦合神经网络的彩色图像融合方法。该方法首先对彩色图像进行基于直方图加权方差的增强处理,然后将脉冲耦合神经网络作为对比度金字塔各分解层的融合算子,实现图像的融合。将该方法应用于多聚焦图像及多曝光图像的融合实验中,实验结果表明,该方法能较好地完成彩色图像融合的任务。