脉冲耦合神经网络(Pulse-Coupled Neural Network,PCNN)是在20世纪90年代研究猫、猴等动物的视觉皮层神经元的脉冲同步振荡现象发展而来的新型神经网络模型。具有动态变阈值,时空总和特性,波动性,同步脉冲发放等特性,使其在图像处理,优化组合,人工生命,目标制动识别等领域受到广泛的重视。脉冲耦合神经网络以生物学为基础,能更好的模拟生物视觉神经系统,非常适合图像处理,处理后的结果更加符合人类视觉机理。本文以脉冲耦合神经网络在图像增强与图像分割中应用为研究课题,针对脉冲耦合神经网络结构的复杂性及在图像处理中存在的一些不足,提出了一些改进的方法,并在图像去噪和图像分割中取得良好的处理效果,具体内容如下:对人工神经网络的发展进行非常细致阐述,深入分析了脉冲耦合神经网络的几种结构特点和工作机理,并对其特性和应用领域进行的详尽的介绍。结合脉冲耦合神经网络在图像处理中的应用,对简化的PCNN模型进行介绍,并结合图像分割的特点对PCNN阈值函数进行了改进,由指数衰减函数变为线性衰减函数。根据脉冲耦合神经网络的激活兴奋机制,检测并确定图像噪声像素点的位置,在噪声点定位处理中,提出了链接强度自动确定方法,并根据不同的噪声类型,结合其他滤波方法,直接对噪声范围进行去噪处理,大大提高了处理的效率。总结图像分割的含义和常用方法,阐述PCNN应用到图像分割的原理和依据。脉冲耦合神经网络通过与优化自适应遗传算法相结合,提出一种基于GA和PCNN的图像自动分割算法,该算法实现了PCNN图像处理时参数的自动设定,解决了PCNN参数设定困难的问题。将提出的分段自适应遗传算法优化脉冲耦合神经网络的图像分割算法应用到实际应用中,实现了细胞及辣椒颗粒的有效分割,为后期的识别处理奠定了良好的基础。最后在论文的最后章节对全文工作进行了总结,并对下一步的工作进行展望。