脉冲神经网络（Spiking Neural Networks）的发展是对类脑计算的进一步学习和发展。同传统神经网络机制相比较而言,脉冲神经网络会对生物神经元进行仿真,模仿生物神经元的结构,同时在编码方式上融入了时间信息。因此脉冲神经网络同时携带空间和时间信息,可以表达更丰富的概念。目前脉冲神经网络在图像识别,计算机视觉、语音处理等方面有了比较好的算法和简单应用。但是,由于脉冲神经网络的发展历史还比较短,在理论以及应用方面都需要科研工作者们更多地探索。在脉冲神经网络的发展过程中,有效的算法是研究的重点。相对于传统神经网络具有里程碑性质的卷积神经网络（CNN）与循环神经网络（RNN）,脉冲神经网络在单层网络算法和深层网络发展方面都需要进一步的尝试。当前,由于缺乏高效准确的学习算法,脉冲神经网络的发展和应用都遇到了重大瓶颈。本文基于现有的经典算法,做了如下创新尝试:1、基于对生物延迟学习机制的理解,对现有经典算法Tempotron进行优化创新。首先,对延迟机制的学习方式进行推导,随后基于延迟机制,提出DWTP算法。实验证明,可对权重和延迟时间两个参数进行调节的DWTP算法,相比于仅仅仅依赖权重调整的Tempotron算法,学习效率提高了30%,有更好的鲁棒性。2、由于Tempotron算法属于单层神经网络二分类算法,即使后续发展过程中逐渐优化出了Multi-Tempotron等算法,对于复杂问题的解决依然具有局限性。因此,多层网络的算法优化是一个创新方向。通过对Spikeprop算法的延迟时间进行动态优化,提出DWSBP算法。实验表明,加入了延迟机制调节的DWSBP算法同样具有更高的学习效率和更强的抵抗噪声的能力,学习效率提高了16%。3、最后,考虑到实际问题中环境的复杂性,对图像的特征提取可以明显提高各种算法的识别效率。因此,将CNN卷积网络作为特征提取的预处理方法,本文提出的DWTP和DWSBP算法作为分类器,组成了一个识别模型。通过实验,发现此模型与已有的脉冲神经网络模式识别模型具有类似效果。