本文的主题是基于交叉视觉皮质模型的图像处理关键技术研究，交叉视觉皮质模型(Intersecting Cortical Model，ICM)为单层的神经网络，它是基于20世纪70年代Eckhorn对于家猫的视觉皮层的研究成果，在综合几种视觉皮质模型的基础上，利用了生物神经元所具有的延迟特性、非线性耦合调制特性。凶此，ICM具有传统的人工神经网络所不具备的无需学习大量样本即能够进行图像处理任务的特性、并具备生物神经元所特有的延迟特性、非线性耦合调制特性。这些特征在图像噪声抑制、图像形态学处理和图像分割中较之传统的图像处理方法而言具有处理效果更好、处理速度更快的优势。所以，ICM在图像处理研究领域更具有实际的研究价值和应用价值。ICM具备了生物神经系统中具有的信息传递延迟性和非线性耦合调制特性。ICM由于其本身直接来自于对于哺乳动物的视觉神经系统的解剖研究，相对于传统的人工神经网络模型更加接近实际的生物视觉神经网络，也更加适合面向图像处理的工作。同时，ICM还模拟了哺乳动物视神经系统的视野受到适当的刺激的时候，相邻连接神经元会同步激发35～70Hz的振荡脉冲串特性。同时，ICM还具有能够将高维数据压缩为一维时间脉冲序列的能力，这与生物实际的神经网络很相似。但是，ICM本身会产生自动波效应，这种自动波效应表现为图像中的物体的边界会随着ICM运算中的迭代而产生伪边界不断扩散的问题，这种伪边界的不断扩散效应对于后期的目标分割和识别会带来严重的干扰。在本文的研究工作之前，ICM处理的数据领域仅面向二维平面数据，对于高维数据尚无能力处理。本文的第一个研究成果是对于ICM本身会产生自动波效应的问题进行了研究，并提出了相应的解决方法。接着，本文主要针对传统人工神经网络在图像处理中存在的需要预先进行训练才能从事相应的图像处理的问题，基于ICM对于图像处理中的几项关键技术展开探索和研究。针对图像噪声抑制、图像形态学处理和图像分割等内容提出和演进了不同的ICM，并利用这些ICM和当前国际和国内比较优秀方法在图像处理的不同任务进行了相应的实验对比并通过实验数据验证了ICM在图像处理中的高效和准确性。本文的第二个研究成果是提出了基于ICM的图像脉冲噪声抑制机制，并取得的良好的噪声抑制效果和处理效率。本文的第二个研究成果是提出了基于ICM的图像形态学处理机制，该机制对于后续的图像信息度量和模式识别具有特定的应用价值。本文的第四个研究成果是针对含有高背景噪声的X光脊柱图像中的脊柱难以有效分割的问题，以及利用ICM在面向灰度图像分割时ICM的神经元的初始阈值需要手动设定的问题，提出了基于被分割图像的信息熵的最大化原则来确定ICM神经元的初始阈值，并对含有高背景噪声的X光脊柱图像达到有效的分割。本文的第五个研究成果是突破ICM仅能面向2D数据进行处理的束缚，提出了3D-ICM，并将3D-ICM应用于彩色自然图像的自动分割，该自动分割的判定标准亦是基于被分割图像的信息熵最大原则，从而避免了最佳分割的判定需要人为干预的问题。