通过赋予机器人学习能力从而提高机器人自适应性是当今机器人领域的一个研究热点。经典条件反射是动物最基本的一种学习系统,实现机器人条件反射能力对提高机器人学习能力具有重要价值。本文从借鉴大脑工作机制的角度探讨了经典条件反射的理论计算模型和实现方法。放电时序依赖可塑性被认为是经典条件反射现象的底层机制。传统的放电时序依赖可塑性在时间上是离散形式的,不利于进一步的分析与计算。本文以神经科学的研究结果为基础,提出了一种与放电时序依赖可塑性等价的连续形式的突触可塑性规则。该规则有利于对类脑神经网络的结构和功能做进一步的分析,并且能够解决了离散形式下的时序依赖可塑性与经典条件反射在时间尺度上的不相容性。以放电时序依赖可塑性为基本的突触效率调节方式,本文建立了一种类脑神经网络模型。在该模型中,外界刺激通过改变对应的神经元群落的活动强度,进而改变突触的连接强度。该模型通过突触连接强度的改变表现出不同刺激之间的关联关系。该模型能够成功的解释经典条件反射的习得、消退、阻塞等现象。本文实现了一种机器人的经典条件反射系统,依赖该系统机器人可以学习到环境中不同刺激出现的时序关系,从而能够有效地预测出即将出现的障碍刺激,做出提前避障的行为。本文提出的经典条件反射的理论模型具有较好的神经科学的理论支持,数值计算和仿真实验结果表明该模型能够有效地模拟经典条件反射现象。本文提出的经典条件反射系统的实现方法能够赋予机器人建立条件反射的能力,增强了机器人的自主学习能力。