随着互联网时代的发展,视频网站、社交网站中的大量图像和视频变成了人们日常信息交流的重要部分,因此如何有效处理日益增加的图像数据已成为计算机视觉领域中亟待解决的问题。计算机视觉是指,用电子设备代替生物视觉,用计算机程序模拟生物大脑对图像和视频进行处理、分析。近年来,随着深度学习的崛起,多种深度模型被应用在计算机视觉中,在准确率和处理速度上实现了重大突破。脉冲耦合神经网络（Pulae Coupled Neural Network,PCNN）是在模拟高级哺乳动物的视觉生理系统基础上构建的神经网络模型。深度学习兴起前,在图像处理领域取得了较好的成果,但单独的PCNN模型很难满足复杂的计算机视觉需求。本文以自然图像和生物图像为研究对象,探索基于PCNN的深度模型在计算机视觉应用中的新方法和新技术。本文主要创新工作如下:（1）针对PCNN模型中神经元强度越高,其内部活动越强,点火时间越早和同步脉冲发放的原则,结合简化的PCNN（SPCNN）模型和脉冲深度神经网络（SDNN）,本文提出了一种自适应的、无监督的、脉冲通信的、用于图像分类的基于SPCNN时序编码的SPCNN-SDNN模型。SPCNN-SDNN模型采用STDP无监督训练算法,并引入了 SPCNN脉冲时序编码层。SPCNN时序编码可根据不同的输入图像获得自适应的脉冲序列图。实验表明,在相同的实验条件下,我们提出的SPCNN-SDNN模型在Caltech face/motorbike和MNIST数据集上能获得更高的分类准确率。（2）针对PCNN模型可直接用于简单图像处理的特点,我们提出基于PCNN+U-Net的细胞核分割新方法。该方法首先将PCNN实现图像增强的方法引入原U-Net网络,作为其中的图像预处理层。其次调整原U-Net模型的网络结构:用same卷积代替valid卷积;将原U-Net网络最后输出的两通道特征图替换为单通道特征图。实验结果表明,该方法在MICCAI2017数据集上的分割效果优于U-Net模型。（3）为进一步探索PCNN模型与深度模型结合,在图像处理中的效果,本文提出一种基于PCNN+Caps-Unet的黏连细胞核分割新方法。该方法将PCNN和Caps模块引入到基准U-Net模型中,实现黏连细胞的细胞核分割。实验证明,与原U-Net和Caps-Unet模型相比,PCNN-CapsUnet模型能更好的分割黏连细胞核。