膜计算是自然计算中的一个新兴分支,是从生物细胞的结构与功能之中抽象出来的一类计算模型,拥有一些良好的特征,诸如并行性、非确定性等特点。脉冲神经P（SNP）系统是由生物神经细胞的机理抽象出的一种膜计算模型。因为其抽象于神经元的脉冲机理的缘故,SNP系统也被认为是第三代神经网络模型。近年,第二代深度神经网络已经在大量领域取得巨大的成果。本论文的重点是利用SNP系统中的脉冲神经元来构建一类基于SNP神经元模型的深度神经网络。将从网络结构与实验两个方面探讨基于SNP神经元的深度神经网络的构建。本文的具体工作如下:（1）从SNP系统的脉冲神经元机理出发,通过参考其他神经元的模型结构,提出了一种新的神经元模型——SNP神经元模型。（2）参考目前流行的深度卷积神经网络模型,在结构上完成了SNP-Alex Net、SNPVGG16和SNP-Res Net50这三种基于SNP神经元的深度学习模型的构建,并选择了七种不同的函数作为SNP系统的脉冲规则。在SNP-Alex Net网络中将局部响应归一化替换为批量归一化,在SNP-VGG16中引入批量归一化,在SNP-Res Net50网络中使用残差变种结构来分别对三个网络进行性能优化。在MNIST二值图像数据集中,三个使用了SNP神经元的卷积神经网络均能在更短的时间中获得与原网络相近的实验结果。在CIFAR10彩色图像数据集中,三个新网络能在部分脉冲中用更短的时间获得与原网络相近的实验结果。在Image Net2012大数据集图像的性能测试中,三个不同的SNP神经元卷积网络的性能较为接近原网络。实验结果验证了构建SNP神经元深度卷积网络的可行性。（3）在时间卷积网络（TCN）中替换了原有神经元模型,研究并完成了SNP-TCN网络的构建,同样使用了之前的七种脉冲规则。在网络优化方面,尝试了改变了网络结构的层数,用混合膨胀卷积替换膨胀卷积来减少栅格效应的发生以提取更多的数据,引入了深度残差收缩结构来学习复杂数据的特征。分析了三个方法对网络的优化性能,研究了三个方法组合的优化方案。优化后的SNP-TCN网络,在Word-level PTB数据集中能接近TCN网络的性能,在Char-level PTB数据集中取得相同的网络性能,在MNIST等六个较小的数据集中其性能超过了TCN网络。实验结果验证了构建SNP神经元时间卷积网络的可行性。