计算机视觉是一个内容丰富且极具挑战性的领域。迄今为止,它的研究工作已经取得了丰硕的成果。但随着研究的深入,这一领域面临的困难和挑战也日益增加。从根本上说,这种困难源于人类对自身认识上的局限性以及在进行视觉计算时所受到的技术条件限制。目前许多研究者希望他们的工作能与生物物理学和神经生理学的理论有直接的联系。从长远来看,建立人类视觉的计算理论,并进而建成可与人类视觉系统相比拟的通用视觉系统是计算机视觉研究的最终目标。本课题正是在这一背景下,采取仿生学的思想,通过总结目前生物视觉研究的新进展,提出能为计算机视觉所采纳的生物学启发,并在此基础上建立了可计算的应用模型,以满足图像处理的需要。论文在以下方面进行了创新性工作:1、在深入研究脉冲耦合神经网络模型(Pulse Coupled Neural Network,PCNN)的基础上,给出了脉冲耦合神经网络模型参数确定的准则。脉冲耦合神经网络模型由变阈值非线性动态神经元组成,具有许多独特的优良特性,如时空特性、同步脉冲发放特性等。正是由于脉冲耦合神经网络模型的这些特性,使得对其研究不仅具有重要的理论意义,而且具有非常广泛的应用前景。论文系统分析了脉冲耦合神经网络模型的运行机理,探讨了模型行为特性受各参数变化的影响,并通过理论推导及计算机仿真的方式,给出了各参数确定的准则,解决了脉冲耦合神经网络模型在工程实际应用中的参数选择难题。2、结合基于偏微分方程的各向异性扩散模型(Anisotropic Diffusion,AD)和目前的脉冲耦合神经网络模型,提出了改进的模型——ADPCNN模型。在图像平滑中,传统脉冲耦合神经网络模型仅仅通过其像素灰度值的非线性影射和神经元的周期振荡,很难确定像素灰度值的修改策略,而各向异性扩散模型通过扩散方程提取了周边像素的信息,为像素灰度值的修改提供了策略指导,因此ADPCNN模型解决了传统脉冲耦合神经网络模型在图像平滑中的像素灰度修改问题。3、根据生物视觉神经细胞非经典感受野的特点,结合目前计算机视觉现有的理论和方法,提出了具有方向性的高斯差算子(Orientation Difference of Gaussians,ODOG)。ODOG算子通过改变感受野中央周边区域模版的大小来适应不同尺度的要求,同时具有方向性,符合目前非经典感受野方面新的研究进展,在图像轮廓提取中与传统算法相比,具有更大的优越性。4、通过将脉冲耦合神经网络模型和方向性高斯差算子结合,提出了改进的模型——SAMPCNN模型。传统脉冲耦合神经网络模型在应用于图像分割时,若仅仅依靠模型的同步振荡特性,效果并不理想。而基于视觉选择注意机制的方向性高斯差算子通过模拟生物视觉感受野的特点,在有效提取感兴趣区域的信息后,再通过脉冲耦合神经网络模型的自适应振荡,可达到图像分割的目的。