近些年来,人工神经网络成为人工智能领域研究的热点。最近的研究表明,脉冲神经网络(SNNs)能够模拟大脑中的复杂信息处理。有生物证据证明大脑的神经元使用精确时间的脉冲信号进行编码。然而,精确时间训练神经元的学习机制仍然是一个悬而未决的问题。从指令或者示范学习是大脑获取新知识和开发新技能所必需的基本特性,虽然基于指令学习的概念已经被研究了很多年,但实现这一过程的确切神经元机制至今未被揭露。目前现有的从指令或者示范学习方法大多数是基于权重调节的,并且各有其优缺点,并没有一种算法能够在噪音环境下仍然保持良好的准确率和效率。而噪音广泛存在于脉冲神经网络(SNN)中,因此提出一种在噪音条件下依然具有良好学习能力的算法是非常有意义的。本文正是基于此点,旨在提出一种性能较为全面的算法。具体来说本文的研究内容如下:1.改进了传统的多层脉冲神经网络学习算法Multi-ReSuMe。本文详细介绍传统的在多层脉冲神经网络中学习精准时间点火的Multi-ReSuMe学习算法,其具有良好的学习能力,但存在效率和准确率低的缺点。因此在此基础上,提出一种改进的Multi-ReSuMe的算法,目的是为了提升算法学习的准确率和效率。2.提出一种将延迟策略应用于Multi-ReSuMe的新的监督学习算法Multi-DL-ReSuMe。其使用更多生物学上可信的特征,因此其对模拟内脑信息处理更可靠。并且相比原算法,加入延迟更新,使权值更新更少,以此提高算法效率与准确率。3.提出一种将噪音阈值策略与Multi-DL-ReSuMe相结合的新的监督学习算法Multi-DLN-ReSuMe。在噪音环境下,脉冲神经网络最常见的两种误差分别为非期望点火时间误点火和期望点火时间不点火。而噪音阈值采用动态阈值,根据目标脉冲序列在学习前设置噪音阈值,即在目标点火时间附近将阈值设置为略高于原固定阈值,在非期望点火时间将阈值设置为低于原固定阈值。因此采用此阈值训练的神经元能保证在噪音环境下避免误点火和不点火的情况,以此提高学习算法的鲁棒性。通过实验对比发现,改进的Multi-ReSuMe算法以及新提出的Multi-DL-ReSuMe和Multi-DLN-ReSuMe能在不同的条件下,均表现出比原Multi-ReSuMe算法更好的效率与准确率。其中Multi-DLN-ReSuMe算法在不同强度噪音干涉的情况下仍能保证较高的准确率和效率。