随着国家“中国制造2025”和大力攻坚人工智能技术战略方向的提出,人工智能技术在越来越多的领域发挥着越来越重要的作用。语音识别作为人工智能技术中重要的一环,对智能家居、同声传译、信息录入、人机交互等诸多应用场景有着极其重要的作用。然而,传统人工神经网络应用在语音识别上存在着计算功耗大、时域信号处理困难等问题。相比之下,脉冲神经网络在原理上更加接近实际生物神经网络,使用脉冲信号而非数值信号传递信息。事件驱动特性与专用计算芯片的存在使得脉冲神经网络能够以超低功耗完成计算。同时脉冲神经网络中存在时间这一维度,因而非常适合用于处理时域信息。因此,脉冲神经网络在音频信号的低功耗分类任务上有着独特的优势。此外,由于脉冲神经网络在很大程度上遵循生物神经网络的相关原理,对脉冲神经网络学习算法的研究在一定程度上可以反向推动神经科学及其相关领域的发展。但是,高效脉冲神经网络计算框架与生理合理的有监督学习规则的缺失限制着脉冲神经网络算法的发展。基于此,本课题致力于脉冲神经网络有监督学习算法的研究、其在音频信号处理上的应用以及高效计算框架的开发,具体研究内容包括:（1）设计开发了基于事件驱动的高效率高准确度脉冲神经网络计算框架。相比时钟驱动计算框架,该框架有着更高的计算准确度与速度,能够彻底解决时钟驱动计算框架中广泛存在的由于计算准确度与分辨率不足导致的侧向抑制失效问题。同时,凭借其事件驱动的特性,减少了时钟驱动计算框架中广泛存在的计算空载现象,在计算速度上相比后者有了明显的提升。（2）设计了基于关联学习的具有生理合理性的脉冲神经网络有监督学习规则。该规则参考动物训练过程中的条件反射与关联学习现象,符合赫布规则对神经元关系的描述,其关键部分得到了神经科学领域相关实验的验证,在生理上是合理的。同时将该规则成功应用于MNIST手写数字数据集以及IRIS鸢尾花数据集的分类任务上,实验结果证明了该规则的可行性与有效性。（3）设计了基于脉冲神经网络的音频分类网络,主要包含时-频域转换、空间特征提取与时间特征提取三个部分。并成功地将该分类网络应用于TIDIGITS数字音频数据集与自采数据的分类任务上,证明了具有生理合理性的脉冲神经网络在处理音频信号上的能力。这部分内容是对第三章计算框架和第四章学习规则的应用与验证。