深度学习已经在图像识别领域中取得了一系列突破性表现。然而,这种复杂的深度神经网络模型需要巨大的计算和存储要求,这对于它们在资源有限的平台上进行实现造成了极大的困难。脉冲神经网络是受到基于脉冲的神经形态计算的启发,通常被认为是可以把人类大脑的工作机制和效率与深度学习紧密地联系在一起的第三代神经网络。所以其可以在更低的功率下实现更大的计算效率从而能够适应不同的资源平台。脉冲神经网络中最重要的就是脉冲信号,它是模拟大脑神经元使用基于事件驱动的信号来对神经信息进行编码。脉冲神经网络利用此优势作为生物学相关模型。但是目前的研究受限于不能有效地对外界刺激信息的编码以及浅层的网络结构。为了解决这样的局限性,本文通过受到关于人脑左右半球不对称处理低频空间信息和高频空间信息的启发,提出了一种新颖的混合框架。这种新的框架将提取特征能力优异的神经网络(DenseNet)和脉冲神经网络相结合。脉冲神经网络可以在提取特征过程中受到DenseNet的指导从而学习出强大的特征提取能力,本论文将这种方法应用在了图像识别领域。在模型的准确率以及鲁棒性上这种网络在图像识别中表现出不错的性能。本论文工作内容如下:1)本文通过分析目前的神经信息编码并提出了一种在脉冲神经元中基于时序性的脉冲编码方法。通过这样的编码方法设计出的编码容错率与精准性得到提高。2)本文研究并分析当前脉冲神经网络模型架构,提出一种新型的混合神经网络架构。脉冲神经网络通过被DenseNet指导以弥补缺陷的特征提取能力。同时通过脉冲神经网络的特性利用丰富的特征信息后增强对于图像的理解,提升了网络对于图像识别的准确率以及鲁棒性和健壮性。3)针对设计出的新型脉冲神经网络,其中提取特征能力需要被DenseNet指导,故再此基础之上设计了一种基于Tempotron监督学习算法的门控网络作为连接指导的控制。