随着深度学习技术的迅速发展,深度神经网络已经普遍用于计算机视觉系统中的目标检测及识别任务中。然而,现有的目标检测与识别方法大都需要消耗较多的硬件资源,在边缘计算等硬件约束高的场景中很难兼顾检测及识别的实时性与准确性。经过对国内外目标检测及识别方法、类脑计算技术的调研,本文研究并实现了一系列基于融合网络的目标检测及识别方法。这些方法不仅可以使用整合了脉冲神经网络与传统人工神经网络的融合网络对图像数据进行低功耗且高准确性的检测及识别,并且还可以对高速移动目标进行低复杂性、高实时性的精准检测识别。本文首先基于现有的脉冲神经网络模型在基于通用深度学习框架的融合网络推理训练平台中实现了脉冲神经网络推理及训练过程中涉及到的相关模块,并设计与实现了一种基于门控单元的自研脉冲神经网络基本模型。基于上述推理训练平台,设计并实现了基于融合网络的目标识别分层模型,并在常见的普通光学图像、动态视觉图像、文本数据集上验证了融合网络设计的正确性和高效性。随后,本文针对医学领域的三维肺部CT图像的结节检测任务,实现了一种基于融合网络的三维检测模型,并在开源数据集上进行了实验,证明了所实现的检测网具有低功耗、高准确性的特性。继而,基于前述工作经验研究并实现了一套针对高速移动目标的检测与识别方法,并在自行采集的数据集上进行了实验,论证了所述方法可以对该数据集中的高速移动目标进行低功耗、低复杂度、高实时性的检测与识别。最后,对本课题的所有工作做了总结,并指出了工作中存在的不足及未来改进的方向。