PCNN为单层模型神经网络,不需要训练过程即可实现模式识别、图像分割、目标分类等,因此非常适合实时图像处理环境。同时,PCNN在处理图像的同时将二维空间变量转化为一维时间脉冲序列。这样PCNN模型向生物实际神经网络更靠近了一步,与传统神经网络相比,它对输入信息处理能力更强、性能更好,这就是直到今天其应用研究还在逐步深入的原因。尽管PCNN神经元模型较传统人工神经网络神经元模型前进了一步,但距离实际生物神经网络还有很长一段距离,因为PCNN模型需要确定较多的参数。截止目前,其理论发展依然存在不足,在图像处理方面主要表现在图像处理效果与模型参数之间的关系并不清晰,这是国内外学者积极关注的热点。本文在详细阐述PCNN原理的基础上,针对PCNN参数设定过程中人机交互工作量过大的缺点,提出了一种基于克隆选择算法的PCNN参数自动设定算法。该算法利用了克隆选择算法的解空间随机搜索能力,充分发挥了克隆选择算法多样性、高变异性和依据适应度成熟的特点,在保证了PCNN应用效果的同时,大大的提高了PCNN的应用效率。在一定程度上解决了PCNN参数设定繁琐的困难。在此基础之上,将本文提出的PCNN参数自动设定算法成功应用到图像处理中最重要的步骤之一——图像分割上。仿真实验表明,本文提出的算法在分割效果上略好于目前最新的PCNN图像分割方法,在分割效率上远远高于改进前的PCNN图像分割方法。