随着医疗技术的飞速发展,人们对医学图像处理的要求也随之增高,速度快、精度高的图像处理算法是目前医学图像处理研究热点和难点。由于医学图像成像过程的复杂性、不确定性以及不同个体间存在的广泛差异性,因而研究自动而准确地分割出感兴趣区域的分割方法具有重要的理论意义和实用价值。脉冲耦合神经网络作为新一代的神经网络,在图像处理方面具有其它分割方法无法比拟的优点,它能够弥补输入数据的空间上的不连贯和幅度上的微小变化,从而较完整地保留图像的区域信息。本文在深入研究PCNN基本模型的基础上,为了实现医学图像的最佳分割,针对传统的PCNN模型需要人工设定大量参数以及阈值衰减方式不稳定等问题,提出了一种PCNN的改进模型,并将其应用在医学图像的分割上。该模型简化了PCNN的接受部分,改进了连接输入L的取值方式,改进了PCNN的阈值衰减方式,维持了神经元的点火状态,从而大大减少了初始参数的数量,提高了模型对像素空间信息的描述能力,加快了模型的收敛速度。仿真实验表明,该改进模型具有收敛速度快、细节处理好的特点。针对改进模型无法自动判定最佳迭代次数的问题,以本文提出的PCNN改进模型为基础,以实现对医学图像的准确快速分割为目标,结合医学图像的模糊性和像素点的空间信息,给出了基于最大模糊熵和基于最小二维交叉熵的最佳分割迭代次数的判定准则,实现了模型最佳循环迭代次数的自动确定,并分别与基于香农熵和基于最小交叉熵的分割结果进行比较。仿真实验表明,本文给出的两种判定准则对医学图像有着较好的分割效果,其中采用最大模糊熵的算法对噪声的鲁棒性较高、对图像的背景与目标区域的分割效果较好,采用最小二维交叉熵的算法在时间复杂度较低、对图像细节的处理较好。