随着信息化的不断发展,计算机的普及以及多媒体技术的进步,图像处理技术已经应用到生活的方方面面。图像增强和分割是图像处理的重要理论基础,我们有必要对其进行深入的研究。近年来越来越多的人把图像处理技术与人类视觉机理联合起来,提出了一些具有视觉特性的数学模型。脉冲耦合神经网络(PCNN)是模拟哺乳动物视觉神经的传导特性提出的数学模型,其非线性调制特性、变阈值特性、神经元之间相互影响的特性、综合时空特性、相似集群同步发放特性使其在图像增强与图像分割领域得到了广泛的应用。本文首先对图像增强和图像分割的基本理论进行了阐述,介绍了图像增强和分割的评价标准以及常用方法,进而简单总结了这些方法的优缺点,以便后续工作的顺利进行。其次对脉冲耦合神经网络(PCNN)的网络模型进行了介绍,通过其模型阐述了它的工作原理,并综合分析了脉冲耦合神经网络的主要特性以及这些特性在图像中对于像素的影响。接着研究了脉冲耦合神经网络在图像增强中的基本应用,利用在小波变换的基础上改进而来的Directionlet变换同PCNN图像增强相结合,提出了基于Directionlet变换与PCNN的图像增强算法(D-PCNN)。对D-PCNN中的部分参数提出了改进方法,使之更加符合图像特性以得到更好的图像增强结果。最后研究了脉冲耦合神经网络在图像分割中的应用,利用参数改进后的PCNN模型对图像进行处理,得到图像的分割结果。同时本文引入了具有空间特性的二维熵来作为分割效果的质量评价标准,在此基础上提出了基于PCNN与二维熵的图像自适应分割算法(Adaptive PCNN Image Segmentation with Two-dimensional Entropy),此方法可以防止过多的冗余迭代。