随着社会文明的进步与发展,人们对计算机的利用不仅仅只是希望用其代替人脑进行数学计算和信息存储,而是更关心计算机能否模仿大脑进行非结构信息的处理以及自主决策和智能控制。ANN(人工神经网络)的出现为我们解决此类问题提供了极大帮助,并成为了研究人工智能领域不可或缺的一类工具。作为第三代ANN的标志,PCNN(脉冲耦合神经网络)因其更好的模拟了哺乳动物大脑视觉皮层神经元的信息处理机制,具有与传统神经网络相比独有的特征,如双通道调制、捕获特性、相似群神经元同步发放脉冲以及动态阈值特性。PCNN的振荡时间序列(OTS)不仅具有唯一性而且具有在极小误差条件下的平移、扭曲、旋转、缩放不变性,因此OTS可以运用于特征描述。基于PCNN众多优良特性,现在PCNN已经被广泛运用于图像处理领域。本论文首先介绍了ANN的发展历程和PCNN的研究现状,对PCNN基本理论进行了详细阐述,并进一步分析了PCNN简化模型,且简要介绍了PCNN在图像处理中的应用。其次,分析了传统滤波方法的不足和PCNN在滤波方面的研究现状,提出了一种有效的噪声滤波方法。该方法首先利用PCNN相似群PCN同步发放脉冲的特性来定位含噪图像中噪声点的具体位置,在位置确定后,结合灰度图像数学形态学的开启运算与闭合运算串联组成的滤波器对其进行消除。实验表明,该方法在细节特征和边缘信息的保护方面优于传统滤波器,并且在高强度噪声污染情况下仍然能够取得良好的滤波效果。最后,概要性的介绍了几种图像预处理技术并用实验进行了说明；分析了P CNN应用在人脸识别的理论可行性(PCNN的振荡时间序列具有特征描述能力),通过计算机仿真实验,对比PCA(principal component analysis)、LDA(linear discriminate analysis)、ICA(independent componentanalysis)说明PCNN用于人脸识别的现实可行性；针对受噪声污染的人脸图像,提出了一种含噪人脸识别算法。该算法先是运用本文提出的图像去噪方法对人脸图像做预处理,其次用PCNN振荡时间序列进行特征提取,最后采用SVM作归类识别,并通过MATLAB仿真实验证明其科学性和有效性。