Spiking神经网络采用脉冲的形式来传递和处理信息，可以充分利用输入信号的时间和空间信息，抗干扰能力强，易于硬件实现，适合于动态环境下的机器人控制。本文开展基于Spiking神经网络的机器人控制研究，主要内容如下：　　 首先，本文综述了移动机器人和多机器人系统的研究现状，同时描述了Spiking神经网络的基本特征及其在机器人控制中的应用，并对研究背景和论文结构做了介绍。　　 其次，设计了基于Spiking神经网络的移动机器人目标跟踪控制方法。机器人通过视觉、码盘以及超声传感器获取目标信息及障碍信息，预处理后送入神经网络进行脉冲编码、融合，与电机对应的正/反向神经元相互竞争生成神经网络的输出信号，滤波限幅后送入电机中，驱动机器人朝目标无碰运动。　　 第三，提出了一种基于Spiking神经网络的领航一跟随机器人队形控制器。网络分三层，分别采用LIF模型、近似一致性编码以及SRM模型，完成对传感器和任务相关信息的编码、融合以及控制信号生成，最终实现无碰的队形控制。对采用一致性编码的神经元的点火率进行了分析，并引入参考信号对输入信号相关性进行了检测。　　 第四，设计了基于模块化Spiking神经网络的多机器人围捕控制器，采用延时编码，由12个神经元模块和4个电机神经元组成。每个模块编码、融合来自其敏感方向周围的目标、传感及协调相关信息，输出信号送入电机神经元，进而实现对动态目标的围捕，网络权值采用基于随机策略的Hebbian学习进行调整。还针对采用延时编码的神经元，分析了噪声对其输出信号可能造成的影响。　　 第五，设计了一个递归的三层Spiking神经网络用于图像信息提取。输入层神经元具有输入/输出方向选择性，提取边缘信息；中间层神经元融合输入层的输出脉冲，并反馈到输入层；输出层浓缩中间层提取的图像信息。在神经元局部连接的情形下，该Spiking神经网络能够提取物体的位置以及大小等信息。通过模版匹配，对有颜色信息目标识别和无颜色信息目标识别进行了研究。　　 最后，论文对所取得的研究成果进行了总结，并阐述下一步的工作。