Spiking神经网络是目前研究的最多的类脑神经网络，相比于传统的人工神经网络，Spiking神经网络是对生物神经元的精确建模，对信息的处理是模拟的突触间的信号发放，而且是基于事件驱动的，只有放电达到时才会参与计算，在理论上拥有低功耗和强大的非线性处理能力。
　　Spiking神经网络通常用于时空模式识别，即处理带有时间和空间特征的数据，目前在图像分类中，Spiking神经网络分类效果不好或者需要结合传统的分类方法。本文根据视觉皮层的图像处理算法，建立具有复杂网络结构和生物可行性的Spiking神经网络模型，改善其在图像分类中的效果。
　　首先，电生理研究表明，哺乳动物视觉皮层V2的神经元对特定方向的刺激才会响应，能够提升图像分类的鲁棒性。本文在此基础上搭建了一个Spiking神经网络用于手写数字分类，在提取了V2的放电频率后，设计了基于Spiking神经网络的分类方法，同时与传统的卷积神经网络对比。
　　其次，在视觉皮层中，MSTd区域的神经元能够高效地识别来自MT区域神经元的放电模式，其过程类似于非负矩阵分解中的稀疏编码。本文利用Spiking神经网络的突触可塑性，使用进化算法自动调整神经网络的权值，实现了图像的局部特征提取及图像重构，并使用支持向量机来验证对光流数据的分类效果。
　　最后，本文通过借鉴上述的两种视觉皮层算法，搭建了Spiking神经网络用于图像分类，减少了样本数量和分类时间，改善了Spiking神经网络在图像分类中的效果。