脉冲神经网络(Spiking Neural Networks,SNN)的出现缩小了神经科学和机器学习两者之间的差距。相较于传统的神经网络,脉冲神经网络使用了更加接近生物特性的神经元结构,另外还在信息的编码方式上引入了时间的概念,从而可以编码更多的信息。虽然脉冲神经网络在图像、视觉、语音等实际应用方面取得了一些显著成果,但是从现阶段来说脉冲神经网络还是一个比较新的研究领域,处于初步发展阶段。因此,脉冲神经网络在理论和应用方面都有很大的研究价值。基于脉冲神经网络的学习算法研究一直是该领域的热点和难点。当前,缺乏高效且准确的学习算法极大地限制了脉冲神经网络的实际应用,已经成为脉冲神经网络研究的重大瓶颈。为了提高脉冲神经网络学习算法的效率和准确率,本文作了以下贡献:1、研究了脉冲神经网络的基础理论知识。在生物学原理的基础上详细阐述了常见的spiking神经元模型和学习机制,并给出了spiking神经元的信息编码方式以及脉冲神经网络识别时序信息的原理。2、提出了一种基于脉冲神经网络的多脉冲学习算法MSLMGD。传统以脉冲时间为信号的学习算法虽然具有生物可解释性,但是其学习的准确率和效率较低。为了解决该问题,本文提出了一种新的多脉冲学习算法MSLMGD。该算法以神经元膜电压为信号,可以更加直接地对spiking神经元的突触权重加以调整。实验结果表明,所提算法具有更好的准确率和效率。3、为了进一步提高学习算法MSLMGD的性能,本文提出了考虑到突触延迟可塑性的DL-MSLMGD监督学习算法。传统的脉冲神经网络学习算法只考虑到了突触权重的可塑性,而忽略了突触延迟在学习中的作用,导致学习算法的性能较低。因此,本文在基于突触权重可塑性的MSLMGD算法的基础上,结合突触延迟特性的调整规则,提出了DL-MSLMGD算法。实验结果表明,DL-MSLMGD进一步提高了监督学习算法的性能。4、最后通过和主流算法进行对比来评估所提算法的性能,并通过模拟实验和实际应用来验证所提算法的有效性。实验结果表明本文提出的算法具有较高的准确率和效率,且具有良好的应用性能。