视觉信息感知与处理一直是类脑计算的热点问题之一，一方面它将有助于揭示人脑视觉系统中的高效信息处理机制，另一方面它将帮助人们解决类脑计算应用中的信息理解与处理等难题，但是目前结合类脑计算进行视觉信息处理的研究还尚未完善。本文将生物视觉理论和模拟视觉感知流程的计算模型与脉冲神经网络模型相结合，提出了模拟腹侧视觉通路功能的脑启发视觉神经元网络模型，并研究了其在FPGA平台下的高效硬件实现方法。本文主要贡献及研究成果如下：
　　首先，介绍了脉冲神经网络模型基本框架的特点，包含单神经元模型，突触模型，脉冲编码方式等，通过对一种典型脉冲神经网络结构和其在线学习实验的仿真与分析，发现不同复杂度的神经元模型和突触模型、不同的脉冲编码方式和突触可塑性学习规则都可能会对脉冲神经网络的性能产生重要的影响。
　　其次，介绍了人脑视觉通路的组成结构和功能，探究了与物体识别密切相关的腹侧视觉通路结构、分层生物视觉理论和视觉信息处理机制，结合多种生物可信的神经机制、无监督STDP学习规则和脉冲神经网络计算模型，设计了一种符合生物认知行为机制的多层脑启发神经元网络模型以模拟腹侧视觉通路对物体的特征提取、特征学习与认知决策，并实现了对手写数字的高效学习与识别。
　　最后，以FPGA芯片作为硬件实现的核心，设计并构建了一个神经元网络硬件仿真平台。基于该平台实现了脑启发的神经元网络视觉通路模型，给出了模型中各部分框架的搭建思路，详细介绍了单个自稳态LIF神经元和事件驱动三阶STDP学习规则的高效硬件实现电路，通过一系列高效硬件实现方法大幅降低了资源消耗，并对实现结果与功能进行了验证。同时，针对不同网络规模的模型给出了相对应的硬件资源消耗理论分析，为后续硬件实现更大规模的可塑性神经元网络提供了一种可能的途径。