神经网络一直以来都是学术界研究的热点,而伴随着图形硬件的更新换代,目前基于深度学习的神经网络再次在各个领域取得丰硕成果。然而这些人工神经网络处理信息时并没有完整的考虑到生物神经元的运行机制,而作为神经科学领域最新研究成果的Spiking神经网络具有高度的生物仿真性,其能够很好的处理时空域维度上的特性信息,并将外界刺激以时间为特征进行编码,最后将编码后的脉冲信息传入神经系统进行处理,在生物身份认证、语音识别等领域取得了很多的实际应用成果。大脑生物神经元能够识别具有脉冲特性刺激信息的时序,然而这种识别机制的原理并没有得到很好的揭示。研究基于Spiking神经网络的时序信息识别能更深入了解大脑对信息处理的原理,从而可将其识别原理应用到识别处理外界复杂时空特性的信息,因此本文的研究非常具有科研前景。总的来说本文的研究内容如下:1.介绍了基于Spiking神经网络时序信息识别所涉及的相关基础知识,包括神经元的相关生物特性和脉冲神经网络模型。同时从信息编码、学习神经元的训练和解码时序神经元模型的构建三大模块进行相关理论的阐述。2.提出了一种新的监督学习算法DL-PSD。针对脉冲神经网络中的时序信息识别,在经典算法PSD基础上,结合神经元的时间延迟特性提出了DLPSD算法,提高了时序信息识别中项识别的效率。3.提出了一种改进的脉冲神经网络序列解码机制,构建相应的神经元模型。传统基于卷积的方式对时序信息的识别并没有充分利用神经元的生物特性,本文根据FSA识别手写字的基本原理,结合了生物神经元树突存在双稳态平台电压的生物特性,构建一种解码特定时序的解码单元模型4.最后将信息编码、项识别以及时序信息解码三大模块构成一个整体进行时序信息的识别。相位编码转换图像信息、DL-PSD训练学习神经元完成项识别、新的解码结构模型识别特定的数字图像序列。实验成功识别了特定的光学字符输入序列,同时改变学习输出神经元与解码模型感知单元的连接结构,可以识别出更多的特定数字序列,展示本文识别机制的可扩展性和鲁棒性,这对于构建通用的识别结构来编码和处理人体生物特征信息提供了一条新的途径,在图像处理领域也有其应用价值。