脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)模型是根据哺乳动物大脑视觉皮层神经细胞受到外界刺激时产生同步脉冲振荡现象而提出的一种数学模型,是目前比较接近真实视觉神经元的一种人工神经网络模型。该模型能忽略图像中同一区域内像素间较小的灰度差异和弥补同一区域内的空间间隙,因而广泛应用于图像分割。本文针对传统脉冲耦合神经网络模型进行图像分割时分割效率低下和分割不准确的问题做了如下工作:首先,详细介绍了传统脉冲耦合神经网络的基本原理,简单阐述了该网络对应的数学模型的意义,并由实验结果分析该模型的图像分割效果,同时指出该模型存在的不足之处,即模型中需要设置的参数数量过多,通过人工多次试验的方式设置每个参数的大小,分割效率低下。其次,针对传统脉冲耦合神经网络模型在分割图像时参数设置效率过低和分割不准确的问题对该模型进行简化,减少模型中参数的个数,且设置参数的大小自适应于图像灰度变化及灰度的空间分布,较大地提高了图像的分割效率。实验结果表明该简化模型提高了图像分割质量,分割结果中目标轮廓更加完整,图像纹理更加清晰准确。最后,针对简化的脉冲耦合神经网络模型在分割低对比度图像时存在纹理分割不准确的问题提出改进的脉冲耦合神经网络模型。在该模型中简化了图像分割阈值的设置方法,进一步提高了图像的分割效率;通过增加图像灰度对比度,提高了图像的分割精度。实验结果中目标轮廓完整,纹理细节分割准确。与经典的Otsu法、基于图论的Random walk方法和基于能量泛函的Level set方法相比较,改进后的脉冲耦合神经网络模型方法分割效果明显更优。