脑科学与人工智能的借鉴与融合有利于实现对大脑功能的利用。脉冲神经网络在模式识别领域已取得广泛研究成果,但其生物可解释性仍有不足,基于算法生成的网络拓扑结构不能真正反映脑网络连接,且神经元模型单一。因此本文利用功能磁共振成像（fMRI）构建了被生物脑结构约束的多脑区脉冲神经网络,以提高类脑模型的生物可解释性,并基于语音识别对比验证了所提出的类脑模型的信息处理能力。本文的研究成果为人工智能在医疗和智能制造等领域的应用奠定基础。本文主要工作如下:（1）健康态fMRI多脑区脉冲神经网络的构建与网络拓扑特性分析。本文以反映人脑网络连接的fMRI功能脑网络为拓扑,以Izhikevich神经元模型以及前额叶与海马神经元模型为点,以兴奋性与抑制性共存的具有时滞的突触可塑性为边,构建了包含前额叶和海马工作记忆相关脑区的fMRI多脑区脉冲神经网络,以此作为类脑模型并分析了该网络拓扑特性动态演化。研究表明:该网络具有无标度和小世界属性。仿真过程中网络的突触权重和神经元耦合程度逐渐降低至稳定。网络局部与全局信息传输效率经过波动后趋于稳定。（2）基于语音识别的健康态fMRI多脑区脉冲神经网络研究。本文对比研究了该类脑模型的语音识别性能,基于复杂网络理论分析了网络拓扑特性对类脑模型识别性能的影响。研究表明:fMRI多脑区脉冲神经网络语音识别性能优于fMRI非多脑区脉冲神经网络和随机连接脉冲神经网络,且fMRI非多脑区脉冲神经网络识别性能优于随机连接脉冲神经网络。网络拓扑特性是影响类脑模型信息处理能力的重要因素。该研究结果说明更符合生物可解释性的类脑模型具有更强信息处理能力。（3）基于语音识别的阿尔兹海默症（AD）的病态fMRI多脑区脉冲神经网络研究。本文对比研究了病态类脑和电磁神经调控后病态类脑相较于健康态类脑的语音识别性能差异,进一步分析了网络拓扑特性对病态类脑识别性能的影响。研究表明:健康态网络的识别性能优于调控后病态网络,且调控后病态网络的识别性能优于未调控病态网络。从病态类脑的角度再次验证了网络拓扑特性是影响类脑模型信息处理能力的重要因素。电磁神经调控通过改善病态网络拓扑特性来增强病态类脑信息处理能力。本文研究结果从类脑模型角度反向验证了健康态生物脑网络信息处理能力优于病态生物脑网络的结论。