脉冲神经网络(SNN)作为人工神经网络(ANN)发展的第三代,近年来已经成为了ANN研究的一个重要课题。早期的SNN网络采用的是传统神经网络中基于数学方法的学习机制,后来也采用数学方法和生物信息处理机制相结合的方法。人们普遍认为神经元间突触的改变机制是大脑信息学习和存储的重要机制。上世纪末,随着Spike Timing Dependent Plasticity (STDP)学习机制在生物神经系统中发现,使其成为生物信息处理机制的热点课题,进一步成为SNN网络学习机制的重要研究方面。竞争性和稳定性是STDP的重要特征,而竞争性和稳定性相互作用,对突触后神经元的状态有重要影响作用,因此对于这两个特定的研究对人类对生物机制的研究有重要的作用。本文在总结之前其他科学家对竞争性和稳定性研究的基础上,构建了2种不同的SNN,并结合在生物系统不同属性突触中发现的STDP机制来研究该网络竞争性行为。而后在抑制性神经元作用的启示下,构建了一种混合学习机制网络,采用抑制性STDP(IN-STDP),来实现兴奋性STDP(E-STDP)的稳定性。在单层双向抑制突触连接的网络中,结合本文提出的动态学习速率机制,使得SNN中具有最大输入的神经元赢得最后的竞争。而基于E-STDP和IN-STDP学习机制的混合SNN中对该种方式提出了改进。在该网络中,无需采用附加的方法就能实现该竞争行为。在稳定性的研究中,实验结果表明在一定范围内的输入强度可以采用STDP学习机制函数不同的拟合参数使E-STDP达到稳定,而同一种输入强度可以采用不同的拟合参数使E-STDP达到稳定,从而进一步说明了IN-STDP学习机制对神经元活动的影响作用。本文研究的竞争行为是采用图像灰度值作为神经元输入,因此可以将该竞争行为应用到图像增强中。同时对稳定性研究的结果对STDP的研究有指导意义。