人类的生物视觉系统被认为是最高级的生物智能系统之一,在人类与环境进行交互的过程中起到至关重要的作用。近年来,更多的学者开始关注于生物视觉系统高效性、可塑性和可迁移性的内在计算机理,同时生物视觉启发的衍生理论如深度学习等也已经越来越成为图像处理领域的热点研究问题之一。本课题受生物视觉的启发,综合考虑传统的生物视觉机制与前沿的深度学习理论,设计视觉智能计算模型,并以传统的边缘检测和目前热门的小样本学习、图像去雾为实例展开研究。本课题主要研究内容如下:（1）受生物视知觉系统工作中的长短时程突触互补特性启发,提出一种基于长短时程突触互补网络的边缘检测方法。构建一种具有长短时程突触互补特性的神经元网络,首先引入视锥细胞群的主导颜色拮抗特性,对待测图像的颜色拮抗通道进行加权编码,获得待测图像的初级边缘感知;然后模拟神经元群同步放电特性,定义突触动态连接的神经元作用窗口,实现对初级边缘感知的群放电时间编码;接着构建长短时程突触互补模块,基于短时程内神经元群同步放电特性和长时程内神经元放电活动时序空间依赖性,实现长短时程突触可塑性编码及互补融合,最后通过对时间信息流的编码得到边缘响应。以本实验室根据常规微生物实验需求而采集的20幅菌落图像为实验材料,并以重构相似度MSSIM、边缘置信度BIdx以及综合性指标EIdx作为评价指标。结果表明,相对于VSC、NIS以及MSP三种主流方法,本研究算法的检测结果边缘准确,且漏检率较低,与人工主观观测结果较为一致;同时EIdx指标的均值和标准差为0.804 8±0.052 1,整体性能优于上述三种主流方法。（2）受人类生物视觉系统少样本依赖性启发,提出一种基于视觉分级特征编码的小样本学习方法。考虑到同类小样本图像在方向和颜色等低级特征处具有共性,结合初级视皮层的方向感知特性和视锥细胞的颜色感知特性设计低级特征编码区,提取待识别图像的方向和颜色等低级特征;然后,利用冗余度增强的空洞卷积特性设计深度残差模块,解析图像的高级语义特征;最后,以度量学习的方式,利用余弦相似度衡量待识别物体与所属类别的相似度。以Omniglot数据集和mini Imagenet数据集为实验材料,分别用“5-way和1-shot、5-shot、10-shot”的实验方式进行模型训练。实验结果显示,三种组合方式在Omniglot数据集和mini Imagenet数据集下的识别准确率分别达到98.8%、99.2%、99.4%和55.39%、77.24%、78.31%,同时损失收敛速度极快,节省时间和资源成本。（3）为验证本文设计的智能计算模型的泛化能力和算法有效性,将提出的模型应用于图像去雾。本文首先考虑到不同级别的图像特征对图像的语义表达起到的作用不同,设计了一种分级编码器,分别提取图像低级特征和高级语义特征;接着,利用可分离共享卷积,改善传统空洞卷积存在的局部空间信息不一致风险;然后,通过在特征处理环节主动融合低级特征,聚合不同级别的图像特征实现图像增强;最后将增强后的图像特征进行解码,并将其与有雾图像进行融合,得到最终的图像去雾结果。以OTS数据集为实验材料,并以结构相似性SSIM、峰值信噪比PSNR作为定量评价指标,从定性和定量两个角度评价算法有效性。结果表明,相较于Meng、DCP、NLD、DCPDN以及DHN五种方法,本文算法有效去除了有雾图像的模糊特征,清晰地还原了图像应有的色彩和真实的形状。同时SSIM指标均值为21.0113,PSNR指标均值为0.8175,整体优于上述五种主流方法。