随着大数据时代的到来,数据量急剧增加,运用神经网络进行大规模数据处理时所需要的深度学习模型将会越来越复杂。传统计算机所应用的冯·诺依曼架构将无法满足日益增加的计算需求。因此,如何利用人工神经网络的特点,搭建合理的软硬件平台,在速度和功耗等方面对神经网络模型的计算性能进行提升,是当前迫切需要研究的问题。基于光子器件搭建的光子神经网络具有超高速、大带宽、低功耗等优势,是未来实现超快速低功耗信息处理任务的理想选择。本学位论文所研究的光子脉冲神经网络是光子神经网络中的一种。针对光子脉冲神经网络,主要完成了以下几部分工作:(1)受到生物 LIF(Leaky integrate-and-fire)神经元的激发,我们基于两区域可激活的垂直腔面发射激光器设计了激光器LIF神经元,并且所设计的激光器LIF神经元相比于生物LIF神经元在计算速度方面有至少7个数量级的提升,在功耗方面有至少10倍的降低。为了更全面的掌握所设计的激光器LIF神经元的特性,我们详尽地探究了激光器LIF神经元的直流口响应、单脉冲响应、决策时延以及双脉冲响应特性,全面的掌握了它的激发特征为接下来的光子脉冲神经网络探究打下了很好的基础。(2)对光脉冲所包含的时空信息以及基于脉冲的编解码方案进行了探究和分析。综合考虑每种方案的信息编码容量以及实现的难易程度,我们选择基于脉冲的二进制编码作为探究对象,设计了基于单个激光器LIF神经元的逻辑与门、或门和非门,以及基于多个激光器LIF神经元协同的循环加法器和两位二进制乘法器,并对其原理进行了验证。(3)根据结构和功能的特征给出了三个不同的光子脉冲神经元的物理和数学模型,以及两个光子脉冲神经网络模型:光子前馈脉冲神经网络和光子循环脉冲神经网络。在应用层面,提出了光子脉冲神经网络在实时射频信息处理方向的应用架构,巧妙地利用光脉冲采样技术作为射频前端和光子脉冲神经网络之间的桥梁,实现射频信息预编码的过程。最后,总结了本学位论文的优势与不足,同时展望了光子神经网络未来的发展方向,希望能给后续的学者以参考和指引。