脉冲神经网络作为最新一代人工神经网络,采用了脉冲精确定时编码与处理信息,与传统基于频率编码的人工神经网络相比通过脉冲神经元传导和脉冲序列处理信息的过程更具有生物可解释性。进化脉冲神经网络结合了脉冲神经网络与进化计算的优点,具有强大的计算能力和良好的适应能力,非常适合复杂时空模式数据的处理。从基因调控网络模型出发,通过输出节点活性的调控最终形成脉冲神经网络系统,其过程更加符合自然规律。图像识别问题是智能计算领域重点研究和亟待解决的重要问题,其关键技术是构建计算能力较强且具有广泛适用性的图像识别模型。本文首先研究了一种递归基因调控网络模型,用于发育生成脉冲神经网络。该模型包括输入层、调控层及输出层三层结构,其中输入层和调控层、调控层和输出层的节点之间通过前向全连接的方式连接,而调控层的节点之间通过递归连接的方式连接。递归基因调控网络模型的节点连接用加权矩阵模型表示,具有良好的交互性。该模型中输出节点的活性控制细胞分裂,生成脉冲神经元及其连接,最终发育生成递归脉冲神经网络。其次,从无标度特征和小世界特征两个方面对发育生成的脉冲神经网络进行了结构分析。通过一系列实验,分析了递归基因调控网络中调控层节点数目以及权值尺度对发育神经网络结构的影响。另外还分析了发育过程中的发育尺度对发育神经网络结构的影响。实验结果表明,调控层节点数目、权值尺度和发育尺度对网络无标度结构和小世界结构的形成具有较大的影响。最后,将进化脉冲神经网络模型用于图像识别问题,求解实际的复杂模式识别问题。由于脉冲神经网络通过脉冲序列传递和处理信息,因此应用延迟相位编码将图像文件编码成脉冲序列。然后通过进化发育方法得到脉冲神经网络的连接权值,并应用监督学习算法训练发育脉冲神经网络输出层的突触权值以提高模型的计算能力。实验结果表明,发育生成的进化脉冲神经网络模型具有良好的模式识别能力。