人工智能作为21世纪的三大尖端技术之一,对社会经济和人们的生活方式产生了深远的影响,正引领着时代发展的潮流。在人工智能的发展历程中,神经科学一直都起着推动作用,被称为第三代人工神经网络的Spiking神经网络便是神经科学和人工智能相结合的产物。通过模拟生物神经系统中的神经元和突触的功能以及信息处理方式,Spiking神经网络采用时间编码方式来表示和传递信息,具有比较丰富的生物特性。在处理和脉冲序列相关的任务中,Spiking神经网络具有独特的优势,因此得到了许多学者的关注和重视。本文从计算模型和图像识别两个方面对Spiking神经网络进行理论研究和应用扩展。(1)本文对Spiking神经元模型中的外部电流进行了优化。首先选取了合适的突触模型,并通过突触整合来生成神经元的突触外部电流。然后通过设计相关的实验,研究了突触外部电流对Spiking神经网络的动力学和性能的影响,并和传统使用的噪声外部电流进行了对比。结果表明,突触外部电流可以明显提升网络活动的复杂度,并且能够有效增强网络的重构和分类能力。(2)本文提出了一种基于生物视觉皮层处理机制的新型Spiking神经网络图像识别计算模型。通过突触整合机制及初级视皮层网络将图像在时空朝向上做高维特征提取,并采用简单的Spiking监督学习算法对网络的输出层连接进行训练。结果表明,本文提出的方法在MNIST数据集上取得了96%的准确率,比许多其它的Spiking图像识别方法有着更好的表现。预处理和监督学习的结合不仅简化了网络的训练过程,降低了对训练算法复杂度的要求,同时极大地降低了训练样本的数量,实现了小样本数据下的高精度图像识别。为Spiking神经网络模型在智能计算领域的广泛应用提供依据,具有十分重要的理论及应用研究价值。