自从机器学习提出以来,计算机的应用范围越来越大,人工神经网络也引领着人工智能领域的研究,近几年,类脑计算的方法发展越来越迅速,特别是自从脉冲神经网络（Spiking Neural Networks,SNNs）的提出,类脑计算的发展到达了高潮。本文利用类脑计算的方式进行了关于图像识别的研究,具体内容如下:首先,介绍了类脑计算的研究背景和意义,综述国内外类脑计算的研究现状,阐述了本文的研究内容和技术路线。其次,针对脉冲神经网络,介绍了相关神经动力学基本原理以及SNNs与人脑神经元的联系,并总结了 SNNs与传统人工神经网络在网络模型和训练方法上的优劣势。第三,针对SNNs的脉冲时间依赖的突触可塑性（Spike Timing Dependent Plasticity,STDP）学习方法,介绍突触可塑性的17种子规则,并做了仿真实验验证子规则之间的搭配方式。第四,鉴于图像分类算法中对未曾训练过的样本的不兼容性,本文研究了一种基于深度学习的可扩展图像分类算法,可以对未曾训练过的样本进行识别并加以分类。通过实验结果证明,测试中添加新的未曾训练过的图像数据,在本研究神经网络中也可以识别出来并得到相对很好的实验结果。第五,针对小样本学习（Few-shot Learning,FSL）,进行了视频的分类任务,将视频分解成图像,利用小样本学习的学习方法,搭建网络结构并训练,完成了每种样本只有一个视频时的视频分类任务,并根据结果设计了后续实验并分析可以改进的地方。最后,对论文所做的工作进行了总结,并展望下一步工作。