脉冲耦合神经网络(Pulse Coupled Neural Network, PCNN)是近年来随着生物神经学的研究与发展，新兴的一种新型人工神经网络模型。它具有生物学背景、双通道机制、发放脉冲、阈值可变、内部行为相乘耦合等鲜明的特色，是一种优秀的图像处理工具，目前已被广泛应用于图像降噪、图像分割、图像融合等图像处理的各个领域，特别是图像降噪方面。尽管PCNN模型有着优良的性能，但也存在着一些缺陷，因此本论文展开了对PCNN理论的深入研究，改进了PCNN模型的一些不足之处。主要创新工作如下：1. PCNN突触链接强度取值固定不能反映不同神经元之间相互影响程度，针对该问题，提出了自适应突触链接强度PCNN图像滤波方法。该方法根据不同神经元与其邻域神经元相似程度的不同使突触链接强度自适应取值，同时添加记录神经元点火次数的时间序列矩阵，以便根据神经元点火次数准确地辨识噪声点，避免了对噪声点的误判。将该方法用于图像降噪，实现了有效地滤除图像噪声，很好地保护了图像的边缘和细节。2.针对PCNN模型阈值函数按单一指数形式衰减，算法运行速度较慢的缺陷，提出了自适应阈值PCNN模型。在改进突触链接强度为自适应取值的基础上，结合神经元点火频次矩阵，并将未点火神经元阈值改进为线性衰减，而点火神经元阈值仍按指数形式衰减，实现了衰减速度的自适应调节。用该方法对数据进行降噪，保持了原有数据特征，缩短了算法运行时间，实现了对噪声数据快速有效滤除。3.将改进PCNN模型应用到煤制甲醇数据及带钢热镀锌数据降噪中，分别用降噪前与降噪后的数据对BP神经网络进行训练，并作预测分析，结果表明，降噪后的数据预测精度明显提高。本文对PCNN模型的突触链接强度和阈值函数进行改进，提高了算法对噪声辨识的准确度，缩短了算法运行所需时间，利用仿真数据和实际生产数据进行降噪实验，均得到了较好的降噪效果，表明了本文方法具有一定的有效性和实用性。