脉冲神经网络(Spiking Neural Networks,SNN)被誉为“第三代神经网络”,能够高效的模仿生物突触前后神经元的信息传输形式,是神经形态模型(Neuromorphic Model)的核心组成部分,有很高的科学研究价值。神经形态模型可分为神经信息编码和学习算法这两大部分。其中,神经信息编码可分为特征提取和脉冲序列生成两个过程,而学习算法则是利用脉冲神经网络对编码产生的脉冲信号进行处理。目前特征提取方法主要有HMAX、PCA、MDS等。HMAX模型是模拟生物视觉感受野V1区细胞四层结构(S1,C1,S2,C2),因其有较强的特征提取能力受到学术界的广泛关注。SNN的学习算法一直是近年来的研究热点,主要有PSD、Tempotron、Re Su Me等。其中,精确脉冲驱动(Precise-Spike-Driven,PSD)算法利用目标脉冲序列与实际输出序列的时间差来调整神经网络的突触权值,有较强的鲁棒性。本文基于视觉分层的SNN算法研究,针对HMAX及PSD进行优化,以提出一个新的神经形态模型。本文的工作主要有三个方面:首先,针对HMAX模型的神经编码算法的优化研究,以解决模型中没有考虑生物视觉皮层细胞的方向敏感性和信息传递的稀疏性问题。先将HMAX模型S1层所用的Gabor滤波进行分量提取,以满足稀疏编码的约束条件,然后添加特定方向上的滤波副本并进行锐化操作令其边缘信息更加突出,使之更接近生物视觉的处理机制。实验表明,改进后的HMAX特征提取更加精确,且对噪声图像的处理也有不错的效果。其次,研究一种基于精确突触调整(Precise-Synaptic-Adjustment,PSA)的前馈多脉冲神经网络算法,以解决PSD基于W-H规则产生的权值难以保证是最优解及收敛速度难控制的问题。PSA利用突触后神经元的记忆性和SRM神经元计算模式,在PSD的基础上提出了一种自动调整阈值的方法。实验表明,PSA可以加快算法的收敛速度,解决了学习效率低的缺陷,且其鲁棒性稍强于PSD。最后,将基于生物视觉分层理论的精确突触调整神经网络(HMAX-PSA)算法进行应用于模式识别,以解决常规机器学习方法对噪声图像识别性能差的问题。实验表明,神经形态模型不仅有高度仿生物性能,符合生物认知行为规则,而且能有效进行时空数据的特征提取,完成智能识别任务,有较强的鲁棒性。