传统人工神经网络，尤其是深度学习(Deep Learning，DL)所代表的人工神经网络(Artifitial Neural Networks，ANN)在进行模式识别任务时，强调通过定义损失函数，并通过数据的不断迭代训练，对神经元间的连接权重进行调整，从而完成学习任务。然而，人类并不是采用这种方式习得知识的，从生物学上来讲，传统人工神经网络所考虑的机理过于简单，并不能解释人类需要小样本的训练即可习得新知识的现象。本文着眼于具有生物学可解释性的神经元模型进行文本表征、并通过构建类脑皮层神经计算模型，进行文本生成、自动问答等小样本学习任务。　　首先，本文基于脉冲神经网络，将脉冲发放时间作为模式表示的特征，提出了基于齐次Poisson过程的神经编码方法、基于LIF神经元模型的二值词表征转化方法、基于Izhikevich神经元模型的二值词表征转化方法等多种类脑无监督表示学习方法，将原始稠密的词向量转化为对大脑皮层友好的二值词表征。基于GloVe及Word2Vec两个不同源的词向量在五个数据集上进行试验，结果表明，所提出的二值词表征方法不仅在可解释性上胜于传统方法，还在语义相似性、文本分类等相关测试中超越传统方法。　　其次，本文提出基于语义化层次时序记忆模型的小样本学习模型。该工作结合受大脑皮层相关中神经元、远端突触、细胞柱及时序计算机制的启发的层次时序记忆模型，建立神经计算模型，在完善原始模式表征方式的同时，结合脉冲神经网络所转化的二值词表征，进行小样本学习任务，并在文本生成、自动问答等任务的三个数据集上取得了较传统模型LSTM模型更好的效果。