随着彩色成像技术的成熟和彩色图像的普及,颜色信息在计算机视觉任务中受到了越来越多的重视。颜色是一种光学特性,已有的算法所提取的颜色特征极不稳定。计算机视觉要想拥有和人眼一样卓越的颜色信息处理能力,只有从人类视觉功能出发,且充分利用神经网络强大的特征提取能力。当前人工智能的浪潮已席卷了全球,人工智能领域的公司也在不断激增。仿生视觉是突破人工智能发展瓶颈的关键。将人类视觉功能和神经网络相结合是一个非常重要和令人感兴趣的研究课题。但是现有的仿生视觉神经网络模型对复杂的人类视觉系统处理机制的模拟还不够充分,想要具有与人类视觉水平相当的性能还需要引入更多合适的视觉功能来提升网络性能。此外,目前大部分传统神经网络模型通常为面向固定视觉任务或单一结构的神经网络,难以适应复杂变化的任务需求。未来通用人工智能的应用开发需要借鉴多种类型神经网络的优点,通过构建异构神经网络,实现不同任务、不同网络之间的融合和切换。因此,研究和构建不同类型仿生视觉的神经网络模型是构建异构神经网络的研究基础和迫切需求。本文从仿人类视觉功能的角度出发,基于人类视觉对彩色图像的颜色等信息的处理过程,按照人类视觉通道的层次结构依次构建并模拟了视网膜、初级视觉通道、中高级视觉通道的神经网络模型。所构建的不同层次模型在不同的彩色图像库分类识别任务中取得较好的效果,为今后异构神经网络融合奠定基础。具体研究内容如下:(1)模拟人类视网膜的色适应性、明亮适应性、颜色恒常性等颜色视觉功能,结合两阶段颜色视觉理论模型和卷积神经网络模型,研究并构建了一个颜色视觉的多通道卷积神经网络模型。该模型模拟了人类视觉系统的前期预处理操作,减弱了外界光源对有用信息的影响。按拮抗色、明亮视觉对信息重新编码,增强了信息的颜色表征。研究结果表明该模型适用于不同光源或较暗场景的彩色图像分类识别,具有颜色恒常性等特点。对比加深卷积神经网络层数的策略,结合视网膜视觉功能和卷积神经网络的方法也能得到与之相当的分类正确率。(2)从初级视觉通道和神经元的颜色单、双拮抗感受野特性进行分析,研究并构建了一个沿着人类视觉系统信息处理层次路径的脉冲神经网络模型。该网络神经元具有中心-外周同心圆的感受野结构,另外还采用了SpikeTimingDependent可塑性(STDP)学习规则训练神经元,从而提高特征提取和分类识别任务的性能。研究结果表明该方法适用于颜色丰富、色彩对比明显的物体识别,如应用于花朵、水果等彩色图像的分类识别任务中,与其他方法相比该模型取得了较高的分类正确率。(3)结合单拮抗神经元特性和中、高级视觉通道的注意机制,研究并构建了一个关键部位自动搜索的卷积神经网络模型。以两阶段视觉理论模型为基础,利用视觉注意焦点转移机制搜索具有判别力的局部区域并进行拮抗色空间转换,利用卷积神经网络的卷积层提取局部关键特征和全貌特征,最后联合所有特征分量训练分类网络,实现彩色图像的分类识别。研究结果表明该网络模型能很好地搜索出物体的细节特征。不仅降低了样本标注的复杂性、减少了工作量,而且对比其他细粒度层次的彩色图像分类识别方法能获得较好的效果。