作为目前具有最高仿生性的人工神经网络,Spiking神经网络是模拟生物大脑功能而提出的一种新型人工神经网络模型,也被称为第三代神经网络。该模型采用Spike时间编码的方式来表示和传递信息。比起感知机等传统神经网络,Spiking神经网络更符合生物神经元的信息处理方式。研究表明,与传统神经网络相比,Spiking神经网络无论是在信息表达能力还是计算能力上都有了巨大的提升。因而Spiking神经网络引起了国内外研究者的广泛关注和高度重视。目前,Spiking神经网络不论是在生物、人工智能等学科中有较多的研究成果,而在工程应用领域却尚处于起步阶段。由于在当前的互联网时代,越来越多的网络信息采用图像或者图像相关的方式进行传递,自二十世纪60年代开始,自动识别领域对图像识别与检索的要求变得越来越迫切,因此将Spiking神经网络应用到图像处理相关的应用中,既可以扩展Spiking神经网络的应用范围,又可以促进图像处理的快速发展,具有较高的理论研究意义和实际应用价值。为了将Spiking神经网络成功的应用到图像检索系统中,本文的工作主要有以下三部分:(1)提出了一种基于Spiking神经网络的图像边缘检测方法,此方法基于脉冲卷积操作,将Spiking神经网络在时间表达上的优势与卷积神经网络在空间局部连接上的优势相结合,达到了较好的图像边缘检测效果。(2)提出了一种基于Spiking神经网络的图像角点检测方法,该算法使用Spiking神经元模板对图像进行扫描,并根据检测神经元的电压变化等情况来确定图像角点。对于图像边缘图像和灰度图像,该方法进行了不同程度的改变。(3)设计了一个基于Spiking神经网络的图像检索系统,该系统结合了图像低层视觉特征和图像语义特征,比传统单一检索方法更为全面。其中,图像的低层特征表示是通过基于Spiking的图像角点特征表示以及基于Spiking的图像卷积特征表示来实现的。图像的语义特征通过监督的Spiking学习算法对图像标签信息进行监督学习,通过训练以达到对检索图像较好的类别估测。为了验证Spiking神经网络在图像处理上的有效性,本文通过计算机仿真实验,对提出和设计的方法进行了验证,并达到了预期的效果。实验结果证明了Spiking神经网络在图像检索上的可用性,因此,本文提出的方法既对Spiking神经网络应用进行了扩展,也为图像检索提供了新的方法。