人工神经网络（Artificial Neural Network，ANN）是模仿人类大脑的认知过程，综合了多门学科的交叉学科，它将大量的人工神经元以各种网状形式互联在一起，组成复杂的网络结构，不同网络的人工神经元有各自的功能和学习算法，从而出现了各种各样的人工神经网络模型，以解决实际工程或科学领域存在的一些难题。其发展从感知器（Perceptron）到新一代的人工神经网络――脉冲耦合神经网络（PulseCo-upled Neural Network, PCNN），经历了半个多世纪，脉冲耦合神经网络也在逐渐走向成熟，在之后20多年研究中，脉冲耦合神经网络在图像处理领域也逐渐得到广泛应用。脉冲耦合神经网络与传统的人工神经网络相比有着很大的区别，它不需要学习或训练，具有自学习、非监督的能力，还具有相似群神经元同步发放脉冲的特性。PCNN在用于数字图像处理方面，具有一些特殊的优越性：该模型具有对图像二维空间相似、灰度相似像素进行分组的特点，并能减小图像局部灰度差值，弥补图像局部微小间断；对输出的二值图像保留了输入图像的纹理、形状、边缘信息等特征，并且输出的二值图像出现周期性；在一定程度上PCNN对输入图像具有旋转、平移、尺寸等不变特性，同时还具有一定的抗噪性。基于PCNN的这些特性和优越性使得PCNN十分适合对人脸图像的处理，以减少人脸图像表情、穿戴不同的影响等。在人脸特征提取方面，本文在分析标准PCNN模型用于图像特征提取时的优越特性基础上，将标准PCNN模型用于人脸特征提取，并用实验数据分析相似人脸与不同人脸特征提取时存在的不足，发现标准的PCNN模型对人脸图像的相似性较差。为解决这些不足之处，对标准PCNN模型进行改进，即PCNN-X模型，并通过实验证明PCNN-X模型在人脸特征提取时可弥补传统PCNN模型的不足。在人脸检索方面，为了检验PCNN-X模型适用对人脸库的检索。人脸检索时需要大量的人脸图像，本文探讨了彩色人物图像的人脸提取方法，对人物图像预处理后，建立人脸肤色模型提取人脸图像。由于时间问题，本文直接使用标准的ORL人脸数据库，人脸检索实验时，将PCNN-X提取的人脸特征熵序列使用随机超平面哈希算法（Random Hyperplane Hash，RHH）变换为二值序列，建立人脸图像二值序列库，最后通过汉明距离来度量人脸图像之间的相似性，最终实现人脸图像的检索。