由Eckhorn神经元模型得到的脉冲耦合神经网络模型(PCNN)是直接观察猫的视觉皮层神经细胞并模拟其活动而得到的人工神经网络模型。此算法在图像分割领域中，已经显示出了其独特的优越性。本文在研究连续型PCNN的基础上，探讨了一种离散的触发式脉冲耦合神经网络模型(TPCNN)，解决了计算机模拟PCNN的波动性问题。同时给出了一种基于连通域计算的TPCNN分割结果评价算法作为自动分割的判定准则。实验证明，该算法具有灵敏度高、抗噪声能力强的特点。 　　TPCNN脉冲发放同步性是以象素空间邻近和灰度相似为基础的，神经元的脉冲值与其前突触势的大小、邻近象素灰度梯度变化率等因素无关，这给其应用带来了固有的局限性。本文依据生物视觉系统对图像不同信息含量区域敏感度不同的特性，研究了一种基于感受野机制的脉冲耦合神经网络模型(RTPCNN)。与TPCNN不同的是，RTPCNN中接收外界刺激的突触不仅有兴奋型的而且有抑制型的，这两种突触以一定形状排列组成神经元的感受野。神经元的同步点火描述了图像空间邻域所包含的信息量，其点火时间代表信息量的差别。RTPCNN模型更接近生物视觉神经系统，分割结果能很好地符合主观感受。文章首次给出了RTPCNN的参数估算方法，使分割迭代次数最少。在此基础上，文章提出了基于信息量的RTPCNN自适应压缩算法，与传统PCNN压缩算法相比，压缩效率有很大提高。本文在TPCNN的基础上，结合视网膜侧抑制机制，研究了基于视觉侧抑制的脉冲耦合神经网络模型(LTPCNN)。LTPCNN的每个神经元对应一个象素，利用神经元脉冲发放相位编码图像信息。文章进一步给出了一种阈值搜索算法，该方法对神经网络输出的脉冲点火图自下而上进行水平切割，计算割线上的连通域数量，绘制成连通域曲线图。连通域曲线峰值所对应的点火神经元平均灰度值即为侧抑制图像的最佳分割阈值。实验表明，该方法具有很好的亮度、对比度不变性和线条连通性，分割结果为后续的识别工作打下了坚实基础。 　　最后，总结了全文工作，并指出了本课题今后的发展方向。