近年来,深层的脉冲神经网络由于其强大的特征提取能力,逐渐得到学者们的重视。训练高性能的深度脉冲神经网络（Spiking Neural Networks:SNNs）需要大量的标记数据,但在实验过程中给海量数据打标签是耗时耗力且高成本的一项工作。为了减少训练深度脉冲学习模型所需要的已标记数据量,提升训练模型的效率,本文旨在研究脉冲神经网络上的主动学习方法。目前基于传统人工网络的主动学习策略研究较多,却仍没有基于脉冲神经网络的主动挑选输入样本的相关研究。同时,由于传统人工网络和脉冲神经网络在特征表达和信息处理机制等方面存在本质上差异,因此现有的主动学习方法很多不能直接用于脉冲神经网络,部分算法在适配脉冲神经网络过程中存在性能较差局限。为解决这一问题,本文首次提出了一种基于深度脉冲神经网络的高效主动学习方法,该方法一方面能够很好的学习脉冲神经网络中时间脉冲序列对应的特征信息,另一方面能够筛选出样本池中最有价值训练样本。采用该方法,深度脉冲神经网络的训练收敛速度更快,同时可以较大大程度的增强模型的泛化性和鲁棒性。本文将该脉冲主动学习方法应用在图像识别领域,证明了方法的有效性。本文的主要工作如下:1)研究了基于深度脉冲神经网络的主动学习框架,该框架是一种任务无关的学习方法,能够应用在不同的模式识别领域。本文基于该框架实现了深度不同的两种脉冲主动学习模型,模型在时空域可基于梯度替代函数进行直接训练,并且模型参考了传统深度网络中的残差结构来解决脉冲网络梯度消失的问题。2)提出了一种深度脉冲主动学习算法。该主动学习算法通过固定轮次筛选能够得到样本池中给予深度脉冲神经网络最大信息量的数据,给这部分数据打标签的工作量和成本是实验人员能够接受和控制的,使用优选的数据训练模型使模型能够使模型迅速收敛且最大程度提高其泛化性和鲁棒性,当训练数据较少时更能体现出本算法优势。3)结合图像识别任务,在深度不同的两种脉冲主动学习模型上进行了主动学习的性能验证。论文在MNIST、Fashion-MNIST、SVHN和CIFAR-10四种难度不同的数据集上设置了两种对比综合实验。结果表明,深度脉冲主动学习算法的性能优于随机策略脉冲网络以及传统人工神经网络主动学习算法。