通过自然进化得到的脑包含几十亿的神经元和几万亿的神经连接,并表现出复杂的智能行为。脉冲神经网络作为新一代神经计算模型,不同于基于频率编码的传统人工神经网络,使用脉冲时间编码方法进行神经信息的传输与处理。应用脉冲神经网络对某一具体问题进行求解时,神经网络结构的设计仅凭设计者的主观经验与反复实验,这样不仅使设计工作的效率很低,而且还不能保证设计出的网络结构和权值等参数是最优的,极大地限制了脉冲神经网络的应用与发展。因此,结合进化算法与脉冲神经网络,研究者开辟了进化脉冲神经网络的研究方向。如何快速有效地找到脉冲神经网络的自适应结构及适合的突触权值,成为了当前研究的一个难题。本文通过模拟生物的遗传变异和发育机制,提出了一种发育深层结构脉冲神经网络的方法,并研究了适合深层网络结构的进化算法和监督学习规则。主要研究内容如下:（1）根据进化神经网络发育机制的不同,给出了发育方法的分类,并从基因组进化和发育过程的角度进行了比较分析。首先,给出了发育方法计算过程的整体框架,将几种典型发育方法根据发育过程的不同分为文法规则方法、细胞指令方法、基因调控网络方法、结构模式生成方法以及频域编码方法五类。其次,从基因型表示、基因结构特征、发育控制规则以及网络结构特征四个方面对发育方法进行比较分析。最后,对发育方法目前的应用现状进行了探讨,提出需要构建更符合生物神经系统发育模型的发展方向。（2）应用基因调控网络模型对发育过程进行调控,提出了一种生成深层结构脉冲神经网络的发育方法。首先,构建了递归结构的基因调控网络,并初始化调控网络的节点活性。其次,应用基因调控网络节点活性控制脉冲神经网络的发育过程,提出层细胞分裂树与节点分裂树的发育规则。层细胞分裂树根据调控网络中输出层节点的活性,生成多个终端节点作为脉冲神经网络结构的隐含层。节点分裂树以层细胞分裂树生成的终端节点为根节点,并复制其中的基因调控网络,通过发育规则的控制,得到脉冲神经元节点。最后,通过基因调控网络编码神经元模型参数、突触权值等信息,将每一层内以及不同层间的脉冲神经元节点通过神经连接规则建立连接。实验分析了发育生成的深层脉冲神经网络的结构特征,包括节点中心性和层中心性、无标度特性与小世界特性等,以及不同参数对网络结构的影响。（3）结合脉冲神经网络的进化与学习过程,提出了一种基于进化深层脉冲神经网络的图像识别模型。首先,给出了脉冲神经网络的进化学习计算框架,以及深层脉冲神经网络的进化算法,对神经网络进行优化。其次,通过基于反馈对齐机制的监督学习规则对网络进行训练,提高了神经网络的分类能力。最后,将进化深层脉冲神经网络应用于图像识别分类实验,在Water Surface图像数据集中得到准确率为97.7%的分类结果,验证了深层脉冲神经网络与进化学习方法相结合的有效性和进化深层脉冲神经网络的识别能力。