侧抑制机制存在于生物神经系统中,是神经系统信息处理的基本原则之一,能够运用在图像处理的各个方面,使得处理结果图更符合“人眼”的视觉效果。基于生物生理特性,研究者们提出很多神经网络模型。本文将从侧抑制机制出发,探讨研究基于视觉系统的侧抑制构成的神经网络模型。首先,研究基于生物视觉系统提出的脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN),PCNN运用于图像处理是一种单层二维的局部连接网络,神经元与像素点一一对应。本文对PCNN进行参数讨论,并将其运用于图像分割、图像增强、边缘检测;与传统方法比较优劣,基于生物视觉系统的模型用于图像处理具有运行速度较快、结果比较自然、灰度表现力好、且能够很好地提取图像中的信息等特点。其次,对生物侧抑制模型进行分类并讨论,针对侧抑制模型运用于图像处理方面的缺陷提出两种新的方法:一种是加入可能性度量因子;一种是与自适应滤波相结合;进行实验分析论证方法的可行性。接着针对PCNN在图像处理方面的缺陷,给出一种新的模型,即侧抑制机制与PCNN相结合的模型进行仿真实验,所得的结果比单纯PCNN仿真结果轮廓线条更加明确,图像具有更好的连通性。最后,给出一种基于点火(Integrate-and-Fire,IF)的侧抑制机制神经网络群用于位置跟踪的模型,在此基础上,提出一种新的迭代训练算法PITS(Progressive interactive training scheme,PITS)算法进行参数学习,利用信息中心(Information Center,IC)储存每次训练结果,在保证收敛的情况下,比较跟踪结果的误差函数给出权值调整公式进行自学习。运用H-H简化的模型在模拟侧抑制机制的同时实现位置跟踪,新的学习算法提高了跟踪精度和速度。