İğnecikli Sinir Ağları (Spiking Neural Network, SNN), biyolojik sinir sistemlerinin olay odaklı ve seyrek hesaplama prensiplerini taklit eden yapay sinir ağlarının üçüncü nesli olarak öne çıkmaktadır. Geleneksel derin öğrenme modellerinin yüksek enerji tüketimi ve hesaplama gereksinimleri, özellikle gerçek zamanlı ve kaynak kısıtlı uygulamalarda SNN'leri cazip bir alternatif haline getirmektedir. Bu çalışma, SNN'lerin görüntü işleme alanındaki uygulamalarını, temel kavramlar ve güncel literatür ışığında kapsamlı olarak incelemektedir. Çalışmada öncelikle nöron modelleri ve bilgi kodlama stratejileri açıklanmakta; ardından kenar belirleme, görüntü iyileştirme, nesne tespiti ve sınıflandırma gibi çeşitli görüntü işleme görevlerindeki SNN tabanlı yaklaşımlar detaylandırılmaktadır. Ayrıca, SNN'lerin eğitim yöntemleri, kullanılan veri setleri ve nöromorfik donanım platformları ele alınmaktadır. Son olarak, türevlenebilirlik sorunu, karşılaştırma ölçütlerinin eksikliği ve algoritma-donanım birlikte tasarımı ihtiyacı gibi mevcut zorluklar tartışılmakta; sürekli öğrenme ve nöromorfik sensörlerle bütünleşik sistemlerin geliştirilmesi gelecek araştırma yönelimleri olarak sunulmaktadır.