当前的计算范式越来越难以满足快速发展的机器学习和数据挖掘的计算需求。在Von-Neumann架构的计算平台中,运算和存储单元被实现为独立的区域,高频率地数据传输产生了巨大的能耗。并且Von-Neumann计算平台不会像大脑那样具有学习或处理复杂数据的内在物理能力,而这些需求可以通过人脑生物学概念启发的神经拟态计算系统来解决,该系统中神经元同时具有存储和计算功能。此外由于光域在信息处理方面有功耗低,速率高等独特物理优势,因此结合光子技术的新一代光子神经拟态计算系统在在人工智能和高性能计算等方面有着重大应用潜力。本文基于光子神经拟态计算,对异或（exclusive OR,XOR）运算和脉冲神经网络（Spiking Neural Network,SNN）进行了研究,主要创新内容如下:1.提出基于单个垂直腔半导体光放大器（Vertical Cavity Semiconductor Optical Amplifier,VCSOA）的光子神经拟态异或运算方案,该方案被实验实现,并进行了仿真验证。双偏振脉冲光注入（Dual-Polarized Pulsed Optical Injections,DPPOI）的VCSOA具有类神经元抑制动力学特性,利用该特性实现了光子神经拟态异或运算。基于偏振模竞争效应（Polarization-Mode-Competition,PMC）的抑制动力学特性被仿真分析,并且抑制响应能被获得在适当的波长失谐范围内。在这个方案中,所有的输入和输出位都由含有时间信息的脉冲表示,这与光子脉冲神经网络所兼容。实验和仿真结果表明,在两种偏振模式下,通过调节抑制窗口内的时间偏移量和设置特定的参考阈值,可以实现异或运算。此外,实验研究了时延和输入强度比对异或运算的影响。由于VCSOA工作在非常低的电流下,因此该方案具有较高的能效。这一结果对神经拟态光子计算和信息处理具有重要意义。2.提出基于带有饱和吸收体的垂直腔面发射激光器（Vertical-Cavity SurfaceEmitting Laser with Saturable Absorber,VCSEL-SA）神经元,以输出脉冲个数为训练目标的反向传播光子脉冲神经网络（Backpropagation Photonic Spiking Neural Network,BPPSNN）监督学习算法。该算法借鉴了传统的误差反向传播算法思想,将具有兴奋响应,抑制响应,级联传输,阈值和不应期等类神经元特性的VCSEL-SA替代包含激活函数的传统功能神经元。其后将算法推广至多层网络,并在鸢尾花数据集和扩展异或任务上进行仿真实现。此外该算法面向光学硬件设计,且对脉冲输出时间范围要求较宽,为硬件友好的光子神经脉冲网络算法。3.BPPSNN算法被应用于人类免疫缺陷病毒（Human Immunodeficiency Virus,HIV）蛋白酶基因分析中,在预测HIV蛋白酶对寡肽的切割能力的问题上取得了较好的效果。其中对寡肽中的氨基酸进行One-hot预编码,以增加特征间距离。由于BPPSNN在该预测问题上表现出较高的准确性,BPPSNN算法有望成为帮助寻找有效HIV蛋白酶抑制剂的有用工具。