脉冲耦合神经网络(Pulse coupled Neural Network,PCNN)是被称为第三代人工神经网络的新型神经网络模型。它具有生物学背景,是在研究哺乳动物视觉皮层脉冲震荡现象的基础上提出的。由于其在数字图像处理中具有独特的优势,在发展的二十多年间已经成为数字图像处理领域研究的热点,而且在其他一些智能信息处理领域也取得了不错的研究成果。本文主要针对脉冲耦合神经网络在图像分割领域中应用时存在的一些问题进行了探讨和研究。简化的脉冲耦合神经网络模型在早期的图像分割中取得了不错的效果,但随着其它分割技术的发展,其弊端逐渐显现,如边缘和细节的处理较为粗糙,明暗区域不敏感等。在深入研究了PCNN的基本思想和算法流程之后,为了提高模型的处理效果,本文考虑将同样具有生物学背景的视觉侧抑制机制与PCNN有机结合,研究了基于侧抑制机制的脉冲耦合神经网络(Pulse Coupled Neural Network based on Lateral Inhibition,LI-PCNN)。将基于侧抑制机制的脉冲耦合神经网络用于图像分割,本方法利用侧抑制系数调节相邻神经元的脉冲发放,模仿动物视觉神经细胞间的相互作用,加强了图像边缘和明暗细节处理,达到优化分割结果的效果。侧抑制机制的引入解决了一些分割中的问题,但实验发现模型参数的不同对分割的效果有很大影响。传统的参数确定方法是根据经验,通过多次实验来选择,这就使分割效果好坏具有很大的偶然性,因此本文对PCNN模型参数确定方法进行了讨论,研究了基于果蝇算法的脉冲耦合神经网络(Pulse Coupled Neural Network based on Fruit Fly Optimization Algorithm,FOA-PCNN)。本方法对参数进行自适应确定,使用果蝇算法迭代寻找PCNN的最优参数,避免了参数选择盲目性。通过MATLAB平台的实验证明了其有效性。因此,本文的主要研究内容可以概括为对传统单纯使用脉冲耦合神经网络分割图像时细节处理不足问题的研究和网络模型多个参数确定问题的研究。