脉冲神经网络（Spiking Neural Network,简称SNN）是受生物神经元信息处理方式的启发而设计出的,依靠脉冲传递信息、计算并处理数据的新一代神经网络,SNN呈现了更高的生物可解释性。除了神经元和突触状态之外,脉冲神经元将时间概念赋予到信息当中,使用稀疏的异步二元信号传递和计算,这样更加适合大规模的并行处理,这一特性决定了脉冲神经网络在硬件上的良好性能,例如功耗低、设备便携、计算效率更高等。然而,SNN难以训练,这在一定程度上限制了SNN的发展,主要是因为脉冲神经元的复杂动力学和脉冲不可微的特性导致的,此外,脉冲神经网络仅应用在一些简单的视觉任务上,例如图像分类。本论文将脉冲神经网络的优点引入到更具挑战性的计算机视觉任务中,即复杂环境下的混凝土桥梁表面损伤识别任务和短程目标跟踪任务,内容归纳如下:1.将自注意力机制引入对抗生成网络（Generative Adversarial Networks,简称GAN）中,并将自注意力对抗生成网络应用到数据增强中,利用其实时生成假数据调整在脉冲神经网络训练过程中模型的收敛。2.本文从端到端地训练脉冲神经网络出发,从脉冲神经元的建模,图像的脉冲编码方式,编码器的自反馈,脉冲神经元和激活函数的关系等方面,详细进行了仿真验证和对比分析。使用梯度替代的方式,参考VGG网络,搭建了深度卷积脉冲神经网络Spiking VGG用于混凝土桥梁表面结构损伤的识别,证明了利用梯度替代方法直接训练脉冲神经网络的可行性。并且在训练过程中引入了自注意力机制的对抗生成网络（Generative Adversarial Networks,简称GAN）用于调节训练过程中类别之间的均衡。实验结果表明:在采用卷积编码和卷积自反馈的情况下,Spiking VGG在损伤数据集上达到了98.44%的验证分类精度,非常接近卷积神经网络所能达到的最大验证分类精度98.67%。3.基于全卷积孪生网络Siam FC,设计了Spiking Siam FC网络用于单目标短程跟踪,在OTB100数据集上达到了0.7111的精确度分数和0.5182的成功率分数,相较于Siam FC性能下降仅为6.3%。Spiking Siam FC不仅可以实现高精度的目标跟踪,还具备推理速度快、计算效率高、功耗低等明显优点,这为模型移植到人工智能芯片或者神经形态硬件等边缘设备提供了可行性。本文的研究也为脉冲神经网络未来在更多计算机视觉领域的应用提供了参考,这让脉冲神经网络在具备了更强的实用性价值。