图像增强是指按照实际需要突出图像中特定的感兴趣区域的处理方法。增强图像中的有用信息，可以是一个失真的过程，其目的是要增强视觉效果或强调图强中的特定区域，从而提升视觉质量，加强人眼或者机器判读和识别效果。本文对频域和时域图像增强方法领域进行了研究归纳后，着眼于基于多尺度分解的图像增强发展路线，同时从人眼视觉特性角度出发，针对基于Contourlet分解的脉冲耦合神经网络（Pulse Coupled Neural Networks, PCNN）图像增强算法进行深入研究。多尺度和多方向的图像分析方法成为了学术界近些年的关注热点。Contourlet变换这种全新的多尺度几何分析工具的出现将小波变换中的优点延伸到高维空间，同时能够对数据进行任意个方向的方向性划分，更适合处理具有超平面奇异性的信息。一种符合人眼视觉特性系统的对比度增强算子PCNN被运用在多尺度分解所得的子带信息中，该模型建立于对哺乳动物视觉皮层神经元脉冲发放现象研究，这种网络由变阈值非线性动态神经元组成，对于不同对比度像素的能够做到不同的增强效果。因此将Contourlet变换与PCNN模型相结合，实现图像的增强工作，将更加符合人眼视觉特性的要求。本文具体研究内容如下：(1)在阐述Contourlet变换的重要意义的基础上，深入研究Contourlet变换的原理及架构，从其结构入手以拉普拉斯金字塔分解和方向滤波器分解两个部分，分别描述其功能的实现过程。通过举例，生动的展现利用Contourlet变换分解图像的过程，并在此基础上介绍一种非线性增强算子，并仿真实验结果，已证明Contourlet变换的实用性和可操作性。(2)针对在Contourlet变换运用非线性算子所出现的不足，提出一种基于哺乳动物视神经模型的神经网络。对该神经网络的结构及主要特性进行详细的介绍。运用真实图像对PCNN网络进行仿真实验，证明其优秀的细节增强能力，结合图像质量客观评判因子，对其提升图像对比度，拉伸图像灰度分布的能力进行肯定。(3)将Contourlet变换与PCNN神经网络进行恰当的结合，在大量实验论证的基础上，论证本文所提出算法的可行性。并结合主客观的评判，对本文方法的实际增强效果进行讨论。针对算法中出现的重要参数进行讨论，通过实验得到参数最佳选择范围。