脉冲神经网络作为“第三代神经网络”,有着良好的仿生学特性,并具有计算效率高、消耗能量低、占用资源少、易于硬件实现等优点。但目前训练算法不够成熟、训练效率低的问题造成脉冲神经网络的应用具有很大局限性。另一方面,目标跟踪作为计算机视觉领域很重要的研究方向,在安全、自动驾驶等领域中得到广泛应用。但基于深度学习的短程跟踪模型,因计算量大、占用资源多、过度依赖GPU等加速平台,难以应用至资源受限的人工智能芯片等边缘设备。立足于目前脉冲神经网络的推广局限性与跟踪技术的应用瓶颈,研究突破相关技术,提出将脉冲神经网络应用于短程跟踪上。主要研究内容包括:1.分别提出基于感受野融合与首次点火时间的RFT编码方法和基于注意力机制与平均发放率的AAR编码方法,并为具体应用场景定制编码方式;2.研究提出更全面的参数迁移方案。通过标准化、重训练、参数迁移、权重归一化等过程,将参数迁移至脉冲神经网络。基于迁移构建的模型在使用AAR编码及较优参数设置下,能够在手写数字识别分类中达到0.976的准确率。相比用于迁移的卷积神经网络,准确率只损失了0.007,但在资源占用、计算速度、功耗等性能上有明显提升;3.改进提出了WISI距离,可用于脉冲特征相似度评估。相比于ISI距离,WISI在评估中考虑了脉冲精确点火时间,因此效果会更加准确;4.基于全卷积孪生网络,并结合编码、模型构建、相似度的研究,提出脉冲神经网络构建的短程跟踪模型Siam SNN。初期研究中,Siam SNN能达到一定成功率,并具有占用资源小、功耗低等优点。更易推广应用于边缘设备。研究提出将脉冲神经网络应用于短程跟踪上的相关技术方案,能为它未来应用于更多计算机视觉场景提供参考价值,理论上具有很强的实用性。