脉冲神经网络（Spiking Neural Network,SNN）是一种受脑启发和事件驱动的人工神经网络（Artificial Neural Network,ANN）,在完成各种机器学习任务方面取得了巨大的成功。在对SNN的研究中,基于脉冲时间依赖可塑性（Spike-TimingDependent Plasticity,STDP）的SNN由于认知方式高度符合人脑学习方式,被认为是最有发展潜力的SNN。然而,现有基于STDP的SNN缺乏高效的网络结构,在处理图像分类任务时准确率较差。针对以上问题,本文改进了其网络结构,设计了两种稀疏方法,本文的主要工作如下:（1）针对SNN的网络结构,设计了二并行网络结构和五并行网络结构。这两种网络结构采用并行的方式连接输入层与输出层,每一条路径根据不同的感受域映射图像的输入区域,使得每一条路径上输入到输出的连接存在差异。同时,并行的网络结构连接密集度低于全连接的网络结构,可以减少计算开销。实验结果表明,在同等规模下,使用五并行网络结构的SNN达到的分类精度比使用全连接网络结构的SNN高。（2）设计了两种稀疏方法,分别为三步法和时变权重法。三步法的步骤为先训练SNN,然后稀疏训练好的SNN,最后再训练稀疏后的SNN。实验结果表明,三步法可以显著提高SNN的分类精度,同时可以有效的降低SNN模型的大小。时变权重法是一种在训练过程中动态的改变SNN输入层与输出层连接的稀疏方法,它将数据集分为若干个等大的子集,使每个子集训练的SNN输入层与输出层的连接都存在差异,同时又统一于初始的SNN。引入时变权重法的SNN在整个训练过程中都是稀疏的,这满足了SNN在低资源设备上训练的需求,同时也降低了SNN模型的大小。（3）设计了四种基于STDP的稀疏SNN。采用控制变量法,组合两种并行网络结构和两种稀疏方法,设计了四种基于STDP的稀疏SNN。这样可以有效的甄别网络结构和稀疏方法对SNN性能的影响,确保设计的SNN具有更好的性能。实验结果表明,本文设计的SNN在使用较小SNN模型的情况下,可以取得比较好的分类精度。