随机共振的出现颠覆了人们对噪声的认知,通常噪声被认为是信息在传输过程中产生的无规则信息,这种无规则信息干扰我们对原始信息的提取和利用,噪声的存在严重影响了数据的质量。随机共振效应的提出,为噪声的处理提供了一种新思路。随机共振效应在神经元中普遍存在,但如今对神经元中随机共振的研究较少,本文将随机共振效应与神经元系统相结合,针对弱信号增强和低峰值信噪比图像复原问题,提出了基于随机共振的神经元模型,主要工作和研究成果如下:（1）本文建立了基于随机共振的阵列饱和性突触神经元模型,使用不同规模的串联和并联饱和性突触神经元模型对弱周期信号和非周期信号增强。改变噪声强度或者阵列的规模,分析噪声强度和阵列大小对弱信号增强效果的影响,同时分析同规模的串联和并联阵列饱和性突触神经元对弱信号增强效果的优劣。实验表明,并联神经元模型对弱信号增强效果更好,对信号细节的复原更优秀。（2）本文建立了基于随机共振的并联Fitzhugh-Nagumo（FHN）神经元模型对低峰值信噪比（Peak signal-to-noise ratio,PSNR）灰度图像复原。改变FHN神经元阵列规模和噪声强度,分析阵列规模和噪声强度对图像复原结果的影响。然后使用峰值信噪比、误码率、结构相似性作为评价指标,客观判断低峰值信噪比图像的复原效果。将FHN神经元并联阵列方法与传统滤波方法及二维随机共振方法进行对比。实验结果显示,该模型可以极大提高低峰值信噪比灰度图像的PSNR值,且复原图像视觉效果极佳。（3）采取一种新的灰度图像预处理方法。该方法首先将原始二维图像通过行列扫描转换为一维信号序列,然后将该一维信号序列的每一个灰度值转换成一个八位的二进制。然后对该二进制序列进行极性转换和幅值调制。处理后一维序列通过阵列神经元系统进行随机共振,然后对阵列神经元系统输出的信号进行解码和反扫描处理最终得到复原灰度图像。通过该方法得到的复原的图像信息比传统方法更加完整,有着更好的视觉效果。