众所周知,大脑皮层是生物机体感受的最高级中枢,是视觉系统处理图像信息的关键部位。模拟和仿制人或哺乳动物的视觉系统一直是国内外计算机视觉和模式识别研究领域的热点课题。从这一科研课题出发,来设计一种更加符合人类视觉系统的计算机结构模型,构造出一种更加接近人类大脑皮层的处理系统来解决实际工程和科研领域中的冯·诺依曼计算机难以解决的问题,脉冲耦合神经网络(Pulse Coupled Neural Network, PCNN)在20世纪90年代也就应运而生。PCNN(Pulse Coupled Neural Network)首次利用了神经元特有的线性相加和生物神经元特有的非线性相乘调制两种特性,是一种不同于传统神经网络的新一代人工神经网络。概括起来PCNN具有同步脉冲发放现象、动态脉冲发放现象、捕获特性、阈值动态特性、非线性调制特性和综合时空特性,能够很好地模拟生物神经元的脉冲激励、疲劳和不应期等现象。因此,使得它能够很好的去模拟实际的生物神经元,对信号的处理能力也变得更强。目前,PCNN也被广泛应用于图像处理的各个领域,显示出独特的优越性,对其进行更加深入的研究具有重要的理论和现实意义。本文对PCNN模型及基本原理进行了一些研究探讨。利用PCNN在图像分割和图像二值化方面的优势,再分别结合直方图均衡化与密度分布函数,提出了两种商标图像检索的方法,并将其作为相似性形状的判别准则,也应用到商标图像的检索中。本文所做的研究工作及其已经取得的研究成果主要在以下几个方面：一、综述脉冲耦合神经网络的经典模型及原理；改进后的PCNN模型。二、分析了PCNN在图像检索和图像分割方面的应用及其原理。三、结合PCNN图像分割技术和直方图均衡化技术,提出了一种有效的图像预处理算法,以减小颜色对于商标灰度分布差异产生的影响。然后在PCNN模型中提出了边缘时间序列概念,并用于提取商标图像的形状特征,最终实现了商标图像的快速有效检索。四、分析了PCNN的图像二值化算法及其应用研究五、提出了一种结合脉冲耦合神经网络模型(PCNN)和区域形状特征(密度分布特征)的商标检索新方法。利用PCNN的图像二值化把商标图像分割成黑白的二值图像,提取出图像的目标形状区域,以忽略颜色对于商标图像检索产生的影响；在所得到的二值黑白图像中提取目标区域的密度分布特征,用于描述商标图像的目标区域在空间中的分布特性,最终实现了商标图像的快速有效检索。该方法可有效地检索出了与待检索商标图像对应的商标图像,可很好地适应商标图像的颜色变化、平移变化、角度旋转和局部形状变化,体现了较好的检索性能。