模式识别是人脑强大认知能力的体现之一。尽管有各种各样的模式识别技术被提出来模拟生物体杰出的认知能力,然而与生物体高效的运作方式相比,这些方法无论是在生物可信度还是识别准确率方面都还有很大的差距。研究表明,生物体使用二值形式的离散脉冲来进行信息传递和处理。受此启发,脉冲神经网络被提出来,用以研究基于脉冲的认知机理及计算特性。然而,设计一个基于脉冲神经网络的高效且生物置信度高的图像识别框架仍存在较大挑战。编码是其中涉及的一个重要环节,由此先前的工作大体可分为两大类:基于速率的或基于时序的方法。然而当前这些方法存在不同的瓶颈:基于速率的计算效率低,而基于时序的识别精度低。因此,开发一种兼顾效率和精度的模型变得十分重要。针对这一问题,本研究提出了一种基于时序编码的多脉冲图像识别框架。实验结果表明,本研究提出的方法展示了出色的识别精度和鲁棒性,大幅提升了时序模型的性能,甚至可以与基于速率的方法相媲美,更重要的是具有更加轻量的网络结构和更少的脉冲数目。此外,受到生物系统中普遍存在的脉冲迸发现象的启发,本研究提出了增强脉冲的新概念。然而,如何对增强脉冲进行学习和处理仍不清楚。本研究提出了两种基于增强脉冲的神经元学习算法,并通过二分类任务和图像识别任务对算法的性能进行了深入的分析和探讨。实验表明本研究提出的算法能有效提升基线方法的学习能力和时序图像识别框架的精度,体现了增强脉冲及其学习算法的优势。本研究提出的图像识别框架和增强脉冲学习算法体现了基于脉冲计算的高效率、低能耗等优势,为进一步在神经形态芯片上实现奠定了基础,同时也为类脑计算提供了新的潜在发展方向,并有助于提升类脑计算领域的影响力。