Spiking神经网络（SNN）模仿了大脑中神经元通过自适应的突触连接发射脉冲进行信息转换的机制,被誉为第三代神经网络。相比依赖高耗能图形卡进行训练的传统神经网络,由于脉冲（spike）在时间和空间上是稀疏的,Spiking神经网络可以通过低功耗的专用硬件进行实现。Spiking神经网络已被用于图像识别,目标检测和语音识别等领域。如何让Spiking神经网络达到媲美传统神经网络的表现是目前研究的热点。使用Spiking神经网络时需要将输入编码为脉冲序列,最后将网络输出的脉冲序列进行解码。虽然目前已经提出了许多Spiking神经网络的学习算法,但很少有工作研究注意到了Spiking神经网络的编解码方法。本文借鉴了传统深度卷积神经网络的设计,分析了Spiking神经网络传统编解码方法的局限性,提出了深度卷积Spiking神经网络编解码的相关设计,并用于图像识别任务中。本文的贡献主要包括:1.可学习的卷积编码层:传统脉冲编码主要包括频率编码如泊松编码,时间编码如延迟编码等。相较于传统编码方式具有的确定性,本文提出的卷积编码层具有可学习性,编码方式更加灵活,可针对不同特点的数据集设计不同的卷积层进行脉冲序列的编码。在模拟时长较短时,卷积编码层也不会出现传统编码中编码性能受损的问题。2.多尺度编码的模型结构:由于现存的深度Spiking神经网络学习算法能达到的网络深度有限,无法像传统深度神经网络那样动辄上百层甚至上千层,因此对于Spiking神经网络模型架构的探索上,考虑加宽网络可能相比一味地加深网络更有效。在可学习的卷积编码层的基础上,本文通过设计不同参数的卷积编码层进行多尺度的脉冲序列编码,加宽网络结构,从输入的图像中编码提取更加丰富的特征馈送进网络中,并通过特征融合层将多尺度的特征进行融合,使得网络的效果得到提升。3.时间加权频率解码:Spiking神经网络一般使用频率解码或者时间解码,然而这两种解码都仅能利用脉冲频率信息或脉冲时间信息中的一种。本文结合了频率解码和时间解码的特点,提出了时间加权频率解码,能够同时利用脉冲序列中包含的频率信息和时间信息。解码过程融入到了网络的训练过程中,做到了端到端。