脉冲神经网络（Spiking Neural Network,SNN）也被称为第三代神经网络,它以脉冲事件驱动的方式实现了神经元突触计算,有望突破人工神经网络现阶段所面临的能源和吞吐量瓶颈问题,在机器人、自动驾驶、军事、航天等领域具有巨大的潜在应用价值。但SNN仍然存在着无法直接训练的难题。基于脉冲时间依赖可塑性（Spike-Timing Dependent Plasticity,STDP）规则的SNN训练算法,因其具有生理学基础且计算简单,是SNN的主要训练算法之一。但其仍然存在着在复杂数据集上的分类精度低,推理延迟大,以及难以实现更深层次网络等问题。为此,本文对带有奖惩信号的R-STDP算法、无监督和有监督STDP相结合的混合训练算法进行了研究,提出相应的解决方案,旨在进一步提升基于STDP规则的SNN训练算法的鲁棒性、学习效率和性能。本文主要研究内容如下:（1）提出一种具有混合奖惩信号的MR-STDP（Mix-Rewarding STDP）算法。针对R-STDP算法在训练深层脉冲神经网络时存在的反馈信号仅作用于网络末层的问题,利用自编码器及其无监督特性,在浅层中增加重构层以建立奖惩信号因子模型,通过比较卷积层和重构层的神经元脉冲发放时间,获取浅层网络权重调整的指导因子,并将其与R-STDP相结合,形成一种具有混合奖惩信号的MR-STDP。在MNIST和COVID-19 CT数据集上实验结果表明,该方法取得了比R-STDP更高的精度,且浅层网络的学习效率大幅提高。（2）提出一种无监督和有监督STDP相结合的混合训练算法。通过解析反向传播中的不可导项,明确不可导项的生物学意义,提出更具生物真实性的、且计算复杂度更低的不可导项的近似代替项。基于此,提出具有STDP规则的近似梯度下降训练算法,并将其与无监督STDP相结合,形成一种无监督和有监督STDP相结合的混合训练算法。实验结果表明,本文所提出的混合训练算法不仅提升了脉冲神经网络精度,还增强了网络的抗噪性,在MNIST和Fashion MNIST数据集上的测试结果表现出更好的性能。