脉冲神经网络（Spiking Neural Network,SNN）由更具生物可解释性的脉冲神经元构成,是实现神经形态计算系统的有效工具,其能够实现基于脉冲时间编码的信息处理模式,进而完成复杂的时空模式识别任务。结合现场可编程门阵列（Field Programmable Gate Array,FPGA）可重复编程的特点和SNN的脉冲驱动计算模式,构造SNN的硬件系统并建立类脑智能计算模型,将是人工智能研究领域中具有挑战性的任务。但是在神经形态计算的硬件实现过程中,由于缺少高效的SNN在线监督学习算法,因此构建具有自主学习能力的SNN硬件系统十分困难。本文针对液态状态机（Liquid State Machine,LSM）的网络结构,研究硬件友好的在线学习算法及神经形态学习系统,主要内容包括:（1）对于非线性的二次型脉冲神经元模型,提出了该模型的FPGA电路设计与实现方法,采用欧拉法对原始模型进行离散化,随后用数字实现方式设计了神经元并行算术单元的工作原理图,以及模型变量的数字计算流水线,使得算术树最大化了时间和空间的并行性。此外,分别在软件和硬件上模拟了神经元放电行为,并对模拟结果进行分析。最后,通过实验模拟了丘脑细胞神经元的3种放电模式、海马CA1区椎体神经元的5种放电模式和新纹状体多棘投射神经元的1种放电模式,验证了二次型脉冲神经元的数字电路实现方法具有合理的脉冲生成机制和丰富的神经计算特性。（2）基于双向调控的突触可塑性机制,提出了一种适用于LSM的在线监督学习算法,实现了所有层突触权值的实时调整。该算法对LSM的输出层突触权值使用局部变量驱动的脉冲时间依赖可塑性（Local Variable Driven Spike-TimingDependent Plasticity,LVDSTDP）学习规则,对输出层和液体层的突触权值调整规则应用双向调控机制,使整个网络的突触权值在学习过程中进行实时更新。通过脉冲序列实验确定该算法的最优学习率、反向传播率后,执行了不同液体层神经元个数等网络参数对该算法学习性能的影响。实验结果表明,该算法相较于液体层突触权值固定不变的传统LSM监督学习方式具有更好的学习精度和适应能力,更适合处理复杂的时空模式学习问题。（3）通过设计双向调控在线监督学习算法的FPGA电路,构建了LSM学习系统的硬件架构,并将其应用于模式分类问题。该学习系统主要包括能够处理脉冲序列信息的脉冲处理模块、执行双向调控在线监督学习算法的突触权值学习模块和由二次型脉冲神经元模型实现的脉冲生成模块。通过上位机软件对字符数据进行脉冲序列编码,传输至该学习系统以完成字符识别任务。实验结果表明,该学习系统可以有效执行脉冲序列级的分类任务,丰富了神经形态计算研究的理论与方法。