人脑由大量相互连接的神经元组成,在学习、记忆、决策等方面有着非常突出的效率。传统神经网络用频率编码的模拟值来表示和计算信息,而脉冲神经网络则采用精确定时的脉冲序列编码信息。为了探究人脑的信息处理规则,脉冲神经网络拓展了传统神经网络的计算方式,增加了脉冲的时间维度,在众多领域都取得了良好的成果。在实际应用中,脉冲神经网络的结构设置对网络的适应性有很大的影响,合适的网络结构具有更好的分类效果。然而,在求解实际问题时,数据集的非线性复杂度非常高,很难找到合适的结构。因此,脉冲神经网络的结构自适应学习算法具有重要的研究意义。网络结构应随着数据的输入而动态变化,自适应的进行调整。主要研究工作总结如下:（1）提出了基于脉冲序列相似性的结构自适应剪枝策略。采用脉冲序列内积计算网络误差和监督学习算法来调整权值,初步实现网络在训练过程自发地修剪冗余的隐含层神经元。并在脉冲序列学习任务上,分析验证了该算法的有效性。（2）提出了基于神经元生长策略的脉冲神经网络的结构自适应学习算法,使得网络能够根据数据样本的实时输入,调节网络连接权值的同时调整隐含层神经元的个数。网络还可以根据学习精度的变化,恢复被删除的隐含层神经元。在脉冲序列学习任务中,对该算法的性能进行了分析,比较了三种不同添加策略对算法性能的影响。实验结果显示了算法在不损失学习精度的同时,根据训练数据自适应地调整网络拓扑结构的能力。（3）医学数据集分类是改善诊断和治疗的重要因素,可以通过收集症状和医学分析来帮助医生做出严重疾病的诊断决策。我们将结构自适应学习算法用于威斯康星州乳腺癌数据集、皮马印第安人糖尿病数据集和糖尿病性视网膜病变德布勒森数据集的分类并进行了相关实验。模式分类的结果表明该算法拥有良好的实际应用性。