脉冲耦合神经网络(Pulse Coupled Neural Network-PCNN)是一种有着生物学背景的新一代人工神经网络，和传统人工神经网络模型相比有着很大的区别。PCNN具有脉冲发放和双通道相乘调制现象，阈值可动态改变，在具有外部神经元脉冲和外部激励信号输入时具有不应期和被捕获现象，神经元相互作用时体现了时间和空间累加特性，很好地模拟了生物神经元的疲劳、不应期，脉冲激励现象。它可用于图像处理，优化等领域，并显示了独特的优越性，对其展开深入研究应用具有重要的理论和现实意义。 本文对PCNN进行了深入研究。利用Urdt-Linking PCNN模型进行图像分割的研究；在DPCNN模型基础上提出了mDPCNN模型和DCDPCNN模型，分别应用于AOE-Nets相关问题求解和AOV-Nets拓扑排序。在PCNN在图像分割中解决了现有文献中存在的一些问题，拓展了PCNN在其它方面的应用。 本文所做的研究工作及所取得的研究进展主要在以下几个方面： 一、综述了PCNN的原始模型和原理；改进后的通用PCNN模型和原理；时延脉冲耦合神经网络DPCNN(Delay PCNN)模型原理；单位链接脉冲耦合神经网络Unit-Linking PCNN模型和原理。 二、利用Unit-Linking PCNN实现了灰度图像的分割处理，得到了较好的处理结果。目前，利用．PCNN进行图像分割存在的问题有：图像分割质量对PCNN参数敏感、PCNN迭代准则单一、图像对比度差从而影响分割质量、仿真速度慢。本文提出：实施图像分块策略、在分块基础上结合图像香浓最大熵和图像最小交叉熵的结合迭代准则(其中提出了衡量图像灰度均匀性的方差概念)、使用一种特殊的图像预处理策略，在这些准则和策略的组合下，建议了8种图像分割方案，实验结果与相关文献相比，图像分割细节得到了较大的改善，得到了较好的图像分割质量。 三、在上述第二点基础上，阐述了图像分割进一步改进的方法和手段，并对可行性进行了分析。 四、提出了改进型时延脉冲耦合神经网络mDPCNN(modified Delay PCNN)，并成功用于AOE-Nets(Activity On．Edge Nets)有关问题的求解。我们把AOE-Nets的相关问题：关键路径、关键活动、最早开始时间、最迟开始时间，归结为AOE-Nets的最长路径和最短路径，利用mDPCNN可方便求解有向网最长路径和最短路径的特性，成功实现了AOE-Nets的相关问题求解。该方法在一次正向计算即可求解AOE-Nets大部分问题方面比传统方法体现了较好的优势。 五、提出了双通道时延脉冲耦合神经网络DCDPCNN(Dual Channels DPCNN)，并成功用于AOV-Nets拓扑排序。在进行AOV-Nets拓扑排序的过程中，在进行深度优先搜索的同时兼顾广度优先搜索，并使该思想在DCDPCNN模型中得到了映射。该算法中，一次求解计算，可得到AOV-Nets的绝大多数拓扑序列。与传统算法一次仅可求解一条拓扑序列相比(拓扑系列还与邻接表存储顺序和节点进栈顺序有关)，体现了较好的计算性能。 六、在脉冲耦合神经网络(PCNN，Pulse-Coupled Neural Network)的基础上提出了竞争型脉冲耦合神经网络(CPCNN，Competitive PCNN)模型，分析了该模型的脉冲波传播特性，推导了脉冲波传播路径为网络路由图的最短路径树(SPT,ShortestPath Tree)时的神经元参数设置条件，分析了CPCNN求解网络路由图SPT算法的复杂度。仿真实验表明，在网络路由图节点较多时，该算法与经典的Dijkstra算法相比具有较少的迭代次数，且当网络节点增加时，迭代次数基本保持不变，体现了较好的计算性能和优势，具有重要的理论意义和实用价值。