深度递归脉冲神经网络（Deep Recurrent Spiking Neural Network,DRSNN）模拟人脑的多层结构,对数据从低层到高层渐进地进行特征提取,进而提高了对复杂时空信息的处理能力。然而,由于递归脉冲神经网络复杂的层次结构和内在的非线性机制,构建高效的基于脉冲序列编码的深度学习方法非常困难。基于以上描述,本文使用递归脉冲神经机（Recurrent Spiking Neural Machine,RSNM）模块构建了一种具有分层结构的DRSNN,研究了适合该网络结构的无监督学习算法和基于反馈对齐机制的监督学习算法,并设计了基于脉冲神经网络的癫痫脑电数据实时计算模型,本文的主要研究内容如下:首先,基于脉冲序列编码,提出了一种新的无监督多脉冲学习规则,我们使用此规则来训练RSNM,它可以实现脉冲序列的复杂时空模式的学习任务。脉冲信号首先正向传播,然后进行反向重建,根据重建误差调整突触权重。该无监督学习算法已成功地应用于脉冲序列学习实验。在实验中,我们分析了RSNM中的学习率和神经元数目等不同的参数对学习结果的影响。此外,提出了DRSNN的逐层预训练算法,实验结果表明,该算法具有较低的重建误差。其次,根据脉冲序列的误差反向传播机制,提出了基于反馈对齐机制的深度递归脉冲神经网络监督学习算法。使用反馈对齐机制,即在误差的反向传播过程中,用一个固定的随机矩阵代替前馈结构中的突触权值来传递误差,来调整突触权值。然后通过脉冲序列学习过程来验证算法的有效性,并且分析了不同的学习率,连接度,随机矩阵取值上限以及输入脉冲发放频率等参数对学习结果的影响。实验结果表明,该算法在脉冲序列学习任务上具有很好的学习性能。最后,设计了一个基于脉冲神经网络的癫痫脑电数据分类模型,并在CHB-MIT数据集上进行了实验。我们对原始数据进行了预处理,提取了本研究所需要的数据,然后使用Bens Spiker Algorithm将其编码成脉冲序列,结合无监督学习算法与基于反馈对齐机制的监督学习算法对网络进行了训练。在测试集上得到了敏感度为94.17%,特异性为92.23%,准确率为93.20%的分类结果,与其他分类器相比,该模型具有更好的分类能力。