| 中文摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 概述 | 第10-16页 |
| 1.1 研究背景 | 第10-12页 |
| 1.1.1 人工神经网络与图像处理 | 第10页 |
| 1.1.2 脉冲耦合神经网络模型 | 第10-12页 |
| 1.2 脉冲耦合神经网络模型的研究现状 | 第12-14页 |
| 1.3 论文主要内容及安排 | 第14-16页 |
| 第二章 脉冲耦合神经网络及其改进算法 | 第16-31页 |
| 2.1 脉冲耦合神经网络模型（PCNN） | 第17-21页 |
| 2.1.1 标准脉冲耦合神经网络模型（PCNN） | 第17-18页 |
| 2.1.2 脉冲耦合神经网络模型的工作机理及其动力学特性 | 第18-20页 |
| 2.1.3 PCNN模型在图像处理中的关键问题 | 第20-21页 |
| 2.2 基于PCNN和图像质量的自适应红细胞计数方法 | 第21-28页 |
| 2.2.1 红细胞计数和图像处理概述 | 第21-22页 |
| 2.2.2 红细胞分割方法 | 第22-25页 |
| 2.2.3 实验结果 | 第25-27页 |
| 2.2.4 本节小结 | 第27-28页 |
| 2.3 改进的PCNN模型 | 第28-30页 |
| 2.3.1 交叉皮层模型（ICM） | 第28页 |
| 2.3.2 脉冲皮质模型（SCM） | 第28-29页 |
| 2.3.3 简化PCNN模型（SPCNN） | 第29-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第三章 改进PCNN模型及其参数设置 | 第31-56页 |
| 3.1 改进PCNN模型（IMPROVED-PCNN, IPCNN） | 第31-32页 |
| 3.2 无耦合连接IPCNN模型 | 第32-37页 |
| 3.2.1 无耦合连接IPCNN模型的动力学特性研究 | 第32-37页 |
| 3.3 耦合连接IPCNN模型 | 第37-42页 |
| 3.3.1 耦合连接IPCNN模型特性 | 第37-40页 |
| 3.3.2 耦合连接IPCNN模型的动力学特性研究 | 第40-42页 |
| 3.4 基于图像分割的IPCNN模型自适应参数设置 | 第42-53页 |
| 3.4.1 PCNN模型参数设置的研究现状 | 第42-44页 |
| 3.4.2 IPCNN模型参数自适应设置 | 第44-51页 |
| 3.4.3 参数设置小结 | 第51-53页 |
| 3.5 异质脉冲耦合神经网络（HIPCNN） | 第53-55页 |
| 3.6 本章小结 | 第55-56页 |
| 第四章 脉冲耦合神经网络在图像处理中的应用 | 第56-92页 |
| 4.1 图像分割简述 | 第56-57页 |
| 4.2 基于自适应参数设置IPCNN模型的图像分割 | 第57-77页 |
| 4.2.1 IPCNN模型图像分割算法 | 第57-58页 |
| 4.2.2 评价标准 | 第58-60页 |
| 4.2.3 实验分析 | 第60-77页 |
| 4.3 异质脉冲耦合神经网络（HIPCNN）的图像分割 | 第77-83页 |
| 4.3.1 HIPCNN模型方程及参数 | 第78页 |
| 4.3.2 算法流程和评价指标 | 第78页 |
| 4.3.3 实验分析 | 第78-83页 |
| 4.4 图像边缘检测 | 第83-91页 |
| 4.4.1 图像边缘检测简述 | 第83页 |
| 4.4.2 脉冲耦合神经网络模型边缘检测算法 | 第83-85页 |
| 4.4.3 实验分析 | 第85-91页 |
| 4.5 本章小结 | 第91-92页 |
| 第五章 结论 | 第92-94页 |
| 5.1 总结 | 第92-93页 |
| 5.2 展望 | 第93-94页 |
| 参考文献 | 第94-105页 |
| 在学期间的研究成果 | 第105-106页 |
| 致谢 | 第106页 |
