随着卷积结构在脉冲神经网络中的引入,网络对局部特征的提取能力显著增强,脉冲卷积神经网络（Spiking Convolution Neural Network,SCNN）因此成为在神经形态视觉任务中的研究热点。但由于卷积核的局部视野特性与多核卷积带来的通道维度加入,SCNN想要对分布复杂化的脉冲事件做出全局且精准的重要性判断还具有一定的挑战。针对上述问题,本文研究一种多注意力SCNN学习模型,包含由数据驱动的预注意力,以提供全局重要性感知能力;由任务驱动的多维度注意力,以缓解维度复杂化带来的学习压力。具体内容如下:（1）基于数据预处理的SCNN预注意力模型。该模型通过对输入到网络的脉冲数据进行预处理以获取预注意力。首先将获取脉冲事件流重要性的BOE方法改进后用于脉冲图片数据,通过计算脉冲在各样本内被激活的普遍性和在所有样本间被激活的特殊性,从全局视角综合衡量脉冲在空间位置上的不同重要性以获取到预注意力矩阵,然后将该矩阵作用于SCNN的各卷积层,进而解决由卷积局部视野所引起的全局重要性判断能力缺乏的问题。（2）基于任务学习的SCNN多维度注意力模型。该模型通过为SCNN添加注意力模块,帮助网络在任务学习时获取到多维度注意力。首先对脉冲神经网络的时间维度注意力TA-SNN方法加以优化并扩展至其他维度,然后设计多维度注意力模块并加入SCNN中,使网络通过任务学习获取并融合通道、时间与局部二维空间维度的注意力,形成适应SCNN的多维度注意力模型,缓解通道维度参与下的任务学习复杂化问题。（3）基于多注意力的SCNN学习模型。该模型将由数据驱动与任务驱动获得的注意力进行有机结合,从局部与全局、时间与空间各个方面设计注意力融合策略,形成多注意力SCNN学习模型,帮助神经元对散落在复杂维度内的脉冲事件做出全局且精准的重要性判断。最后,本文将上述研究成果应用在多个神经形态视觉任务中,实现了识别精度、收敛速度等方面的显著提升,这验证了本文方法的有效性和高效性。此外,本文通过大量实验深入分析了实现整体性能提升的内在原因。