目前，不管是大型还是小型光伏发电系统，在实际运行中不可避免的会受到阴影、积尘等影响，导致其输出特性呈现多峰现象，此时可以运用最大功率点跟踪算法来寻找最大功率点，避免陷入局部最优。遮荫情况下最大功率点跟踪算法的首先假设光伏阵列中的阴影区域再进行深入研究。当阴影区域不同时，非常规最大功率点跟踪算法所用到的目标函数不同。当光伏发电系统较小时，可以为光伏组件安装多个检测光照的光强度传感器，然而当系统较大时，如果安装的光强度传感器过多，那么采集的信号也会增多，这在一定程度上增加了系统的复杂度。因此，如若采用图像处理方法自动地识别光伏系统中的遮荫区域，则可以减少系统的复杂度，降低系统成本，而且可以为最大功率点跟踪算法所运用的目标函数提供阴影区域信息，以便在实际系统中设计合理的目标函数，提高最大功率点跟踪算法的适应性，进而增加系统的效率。　　本文针对不同遮荫情况下的光伏组件图像，提出了适用于局部遮荫光伏组件图像的分割算法以及阴影区域识别方法。由于光伏组件表面由于具有一层玻璃盖板，光伏组件表面会有反光现象，局部光伏组件图像中的可能存在阴影区域内部灰度分布不均，而背景和阴影区域的灰度值具有一定的相似性；因此，局部遮荫光伏组件图像分割的算法需要对灰度值敏感。脉冲耦合神经网络PCNN根据哺乳动物的视觉神经细胞建立模型，因此和人眼的识别机制较传统神经网络更加接近。它对灰度值敏感，能够对灰度图实现较好的图像分割，然而该方法需要设置的参数较多；因此提出了改进的unit-linking PCNN模型，它减少参数设置的复杂度而且兼具PCNN的优点。但是PCNN和unit-linking PCNN都需要多次迭代，分割效果的好坏都是由人决定，为了解决这一问题，本文提出了 ULPCNN-otsu1d和ULPCNN-otsu2d自动获取最优分割图像，避免引入过多人为因素。ULPCNN-otsu1d仅考虑到了图像的灰度值，在分割结果中存在误分割现象，而ULPCNN-otsu2d兼顾像素的灰度值和邻域空间信息，减少了迭代次数，局部遮荫光伏图像中的阴影区域更加光滑连续，分割效果较好。为了验证本文算法的有效性，本文提出了适合局部遮荫光伏组件图像的综合测度CM对各种算法的分割结果进行了客观评价；实验结果表明，本文算法在分割效果和实时性上都更具优势，其中ULPCNN-otsu2d效果最好，ULPCNN-otsu1d次之。最后，提出了一种对分割结果中的阴影区域进行了定位的方法，实验结果表明该方法有效。