皮肤癌是全球最常见的肿瘤之一,而恶性黑色素瘤是一种致死率非常高的恶性肿瘤。黑色素瘤恶性病变的早期发现能够大大提高肿瘤患者的生存机会。深度学习方法在皮肤癌图像分类任务方面已经取得了一定的成果,但仍受限于训练样本有限、网络结构过于复杂、计算代价高昂等问题。考虑到脉冲神经网络固有的高效节能、生物学可信性和良好的图像识别性能,本课题采用无监督spike-timing-dependent plasticity（STDP）学习规则的卷积脉冲神经网络对恶性黑色素瘤和良性黑色素痣皮肤镜图像进行分类。卷积脉冲神经网络中高效的脉冲编码、事件驱动的学习规则和winner-take-all（WTA）机制共同保证了网络的稀疏脉冲编码和高效的学习能力。利用卷积脉冲神经网络被用于提取皮肤癌图像中的特征信息,然后采用SVM和随机森林分类器完成分类任务,其平均分类准确率分别达到了0.838和0.845,其平均area under the receiver operating characteristic curve（AUC）值分别达到了0.907和0.893。本课题进一步研究了使用过滤式特征选择来替换掉卷积脉冲神经网络的最后一层池化层,用以选择更多的诊断性特征,并去除冗余特征,以提高网络模型的分类性能。并采用基准数据集来测试改进后的卷积脉冲神经网络的分类性能,最后的实验结果验证了该方法的有效性。对于皮肤癌图像数据集,特征选择方法同样提高了卷积脉冲神经网络的分类性能,其AUC值从0.917提高到了0.945。进一步,本课题将卷积脉冲神经网络与现有的基于深度学习的皮肤癌图像分类算法进行了性能比较,实验结果表明,与需要从头开始训练的卷积神经网络（Convolutional Neural Networks,CNNs）相比,本课题所构建的基于无监督学习卷积脉冲神经网络不仅有更好的分类精度,而且计算效率明显更优。另外,与预训练的CNNs模型相比,本文所构建的模型的训练时间与预训练的CNNs的相似,但是分类精度更好,而且分类性能更稳定,更容易使用。此外与皮肤癌图像分类任务中常用的CNNs模型相比,本课题所构建的网络仅含三个卷积层,大大降低了模型的复杂度和网络中需要被训练的参数。本课题的研究表明,基于无监督STDP学习规则的卷积脉冲神经网络具有良好并且稳定的分类性能,可以很方便的扩展到其他医学图像分析领域,并且本文所构建的卷积脉冲神经网络只消耗很少的计算资源,非常有利于在小型便携式设备（例如智能手机）上实现皮肤癌图像自动分类器。