学习和记住身边出现的各种信息是大多数哺乳动物所共有的关键认知功能之一。我们有时可以轻松地记录下庞大的视频、图像等信息，但有时又需要付出极大的努力才能搞清哪怕一个英语单词的含义。大脑内部的记忆认知机理是怎样的？从单个的神经元，到成百上千的神经元组成的神经微环路，进而到主管不同记忆类型的神经脑区，不同的结构和组织又表征了怎样的记忆功能？本文将从以下几方面，对记忆的编码、存储、提取等功能进行多尺度的神经环路分析和建模，并将受生物启发的实验结果应用于尖峰神经网络和卷积神经网络的智能学习训练中，使得新构建的网络能够在“机理上类脑”和“功能上类人”。本文的创新点可以总结为以下几个部分:　　(1)创新性地实现了从鼠脑介观尺度到微观尺度数据的网络转化和预测。现有的鼠脑数据中，宏观和介观数据众多，但是唯独缺少对精细建模十分重要的微观尺度数据。基于此，将根据亚区之间的连接状况来预测亚区内部的微观连接特性，如亚区内Motif分布比例、亚区内神经元和突触的数量等，此工作将为建立鼠脑微观结构脑模型提供数据基础。　　(2)创新性地实现了鼠脑微观网络的放电模式（功能）和突触连接（结构）之间的相互预测。现有方法采集得到的生理实验数据，或者偏重于网络功能放电信息，或者偏重于网络连接结构信息，大体量的两者信息的同时获取还暂未实现。本文将尝试采用模型预测的方法解决该类问题:如采用传播激活方法结合结构信息来预测放电Spike信息;采用“时序”和“共现”两种方法结合放电Spike信息来预测连接结构信息。此工作将为构建动态鼠脑模型提供结构和功能基础。　　(3)创新性地采用生物神经元模型、生物网络结构连接规则来构建较大规模的海马区网络模型。现有的与记忆高度相关的海马区生物模型中，大多停留在生物现象的模拟层面，同时具有详实的生物基础和较好的实际场景应用特性的模型还很少。本文通过对多尺度的生物网络结构和功能的模拟，构建具有生物基础的海马区模型。该模型不仅仅具有类生物的学习、记忆功能，更有明显的噪声抑制功能，且能在实际任务评测如MNIST手写体数字识别、赛道数据识别任务中展现出相比传统的深度网络方法更大的抗噪优势。　　(4)创新性地将总结得到的7条生物启发学习规则应用到现有的尖峰神经网络的学习训练等分类任务中，规则包括神经元的生长和消亡、突触的可塑性变化、网络背景噪声分布、时序依赖的突触可塑性、兴奋性抑制性细胞的配比等多种规则。实验结果证明，随着越来越多的生物启发机制的加入，网络将取得越来越高的分类精度。　　(5)创新性地将高层生物全局结构信息的反馈机制加入到卷积神经网络(Convolutional Neural Network，CNN)中。提出HCNN(HOG improvedCNN)模型，该模型从结构和原理上更加地类人，且处理能力上也与人高度相似，如模型能在保持对自然图片识别精度的基础上，明显地提高对非自然图像（如具有某种类别图像的纹理特征且杂乱分布）的识别精度。