1988年蔡少棠教授提出了细胞神经网络(Cellular neutral network,简称CNN)，这种网络结合了人工神经网络和细胞自动机的优点。CNN是一种局部互联的神经网络变体，整个网络由大规模非线性模拟电路组成，因为其局部互联的特性使得它具有高速并行处理的能力。便于在VLSI上实现。目前CNN在图像处理方面的应用已经取得巨大成功。CNN在图像处理的应用中，最主要的研究方向是找到一组能够满足处理任务的细胞之间相互的连接的权重(称为模板)。目前主要存在两种方法来寻找合适的模板，一类是基于约束条件分析法和学习法两种算法，这两种算法都是需要基于样本空间。在样本空间里对给定图片和理想得到图片进行抽象或训练，得到合适的解，这组解则是能够解决与样本空间类似问题的克隆模板。这类方法对样本选择的要求和寻找的过程控制要求非常高。如果控制不好就会造成对样本的过分依赖而丧失推广能力。第二类方法主要是根据待处理任务的特点直接设计模板(自适应性模板)，这种方法无需借助于样本空间，而是直接根据当前需要解决的任务进行设定。本文将细胞神经网络用于图像边缘提取的应用研究中。首先基于第一类寻找模板的两种方法分别进行实验模拟；然后设计出一种自适应性算法用于彩色图像的边缘提取。文章的主要工作和创新点主要分为如下四点：(1)在灰度图像的边缘提取中，我们用目前应用最广泛的两种方法：学习法和约束条件分析法对灰度边缘提取CNN模板进行寻找。学习法我们采用粒子群(PSO)算法作为训练算法在样本空间对模板进行训练。而对约束条件分析法我们采用解线性矩阵不等式(LMI)的方法来寻找模板参数。并用上述两种方法得到的模板对灰度图像边缘进行提取。(2)当前在彩色图像边缘提取CNN模板的研究中，没有提出合适的彩色空间适用于CNN的表示，也没有一种公认的算法能找出CNN在彩色边缘提取中的克隆模板。本文首次用CNN直接在彩色空间上对图像提取边缘，根据在边缘提取中，最主要关心像素之间的变化，而非像素本身这一特点。避免了文献[40]提出的CNN用于彩色图像处理中需要寻找多维模板的模型。(3)韦伯定理指出，人眼能识别的颜色最小变化值与其所在的背景颜色亮度有关；文献[44]研究出的人眼视觉感受阈值门限函数。本文结合了这些人类视觉的研究成果，在彩色边缘提取的CNN反馈模板的设计过程中引入阈值函数，使阈值具有很好的自适应性，本方法的第一个自适应性。(4)针对边缘提取的特点对CNN结构进行改进。文献[45,46]提出的阴影检测算子对CNN模型结构进行了简化，令反馈项为一个固定的常数。在此方法的启发下，本算法根据(3)所取定的阈值信息，以及当前像素点与周围像素点的空间距离来控制反馈项中B模板的取值。使B模板具有本算法的第二个适应性。本算法在matlab平台进行仿真，效果优于经典的sobel，prewitt等算法，并且算法具有极快的收敛速度。