脉冲神经网络,作为第三代神经网络,具有时间连续性、高能效、快速处理和生物合理性等特点,近年来逐渐应用在机器人领域。导航避障任务对于机器人来说是一项最基础且最重要的功能,但如何设计出高效且生物可解释的移动机器人复杂场景下的避障与导航算法是一项重要的研究问题。大多数方法通过人工设计的脉冲模型在大量的数据集中不断训练来实现固定场景下的避障与导航功能。但这些方法面临着如下问题:第一,脉冲模型的训练需要大量人为标注的数据集,耗费大量的人力物力,同时模型难以适应未见场景;第二,由于虚拟现实之间的数据差异,大部分脉冲模型缺乏内在可塑性稳态,导致模型难以适应真实场景下的退化环境,难以应对外界环境对传感器和模型的噪声干扰,从而影响导航避障效果甚至失效。为了解决上述机器人导航避障中出现的问题,本文采用深度强化学习与脉冲神经网络结合的方法,用脉冲神经网络代替人工神经网络,对状态进行脉冲编码以及对输出进行脉冲解码,使模型可以与强化学习算法相融合,模型自主与环境进行交互学习,实现突触可塑性的自主更新,使模型很好的适应从未见过的新场景,提升模型的处理速度与鲁棒性。除此之外,本文设计了一个生物合理的动态能量时间阈值来实现神经元的内在可塑性,使其能够维持网络的稳态。动态脉冲阈值是生物神经元的基本属性之一,是维持神经元内在平衡的调节机制,在生物学中有广泛的应用,但很少应用在计算机领域,尤其是在脉冲模型中。本文根据两种生物现象:（1）动态阈值的大小与平均膜电位数值呈正相关;（2）动态阈值的大小与近两个时刻的去极化率呈负相关。构建了生物合理的动态能量时间阈值,基于此机器人能够有效地适应不同的退化环境,使其在具有噪声干扰的场景下,依然保持高效的避障导航决策。实验证明,相比于其他导航避障算法,本文提出的方法能够有效的适应前所未见的新场景,同时对于状态输入噪声、突触权重干扰的退化环境中表现出较强的自适应性与鲁棒性,达到脉冲模型的内在可塑性稳态,缩小了生物研究与机器学习之间的差距。