随着科学技术的飞速发展,人们正快速进入人工智能的时代,智慧城市是当前研究的热点,作为智慧城市一部分的智能车辆,也是当今时代的重点研究对象之一。由于人们生活水平的提升,车辆的使用率也随之猛增,但道路交通安全的问题却越来越严重,还造成了环境的污染,如何解决这些问题成为了社会越来越关注的重点。为解决这些问题,需要重点研究如何提高车辆的自动避障能力、对周围环境变化的敏锐程度以及车辆的预判能力等方面。本文针对智能小车避障能力进行了相关的研究设计,其中包括设计避障控制模块以及对基于脉冲神经网络的避障算法分析。本文首先对传统避障模型算法,如人工势场法和虚拟力场法等,以及模糊控制算法进行简单的描述,同时根据算法的避障原理分析这几种算法针对小车在实现避障行为问题上存在的不足之处,进而引出基于脉冲神经网络小车避障控制算法。其次阐述了脉冲神经网络生物意义,介绍了脉冲神经网络的基本结构,对脉冲神经元模型的动力学原理及基本应用进行简要介绍,采用泊松编码机制和STDP训练算法,并在其基础上进行相应的改进。然后针对基于STDP规则的全连接网络的不足之处进行改进,改进的方式为动态更改网络概率连接以及增加一种竞争算法机制。相关的仿真实验表明,改进之后的网络模型在一定程度上降低了网络的训练时间。输入到神经网络中的数据需要对其进行编码,编码后的脉冲序列才能被网络识别。本文对泊松编码机制进行了改进,对其增加了一个比例系数和偏置系数,通过实验得知,改进后的泊松编码机制可以动态地调节脉冲神经元发放脉冲的数目,使之增加了网络训练的分类准确率。最后对不同网络模型进行相应的仿真,实验表明了脉冲神经网络相对于其它神经网络能更好地实现小车避障行为。在脉冲神经网络的基础上,就改变网络连接概率和增加算法机制两个角度,设计了四种不同的网络结构模型,并对其分别进行仿真实验,实验说明基于概率连接竞争学习的脉冲神经网络相对于基于STDP规则的全连接脉冲神经网络准确率提高了1.6%,更改网络连接结构和增加竞争算法机制能最大程度上降低网络计算速率,缩短训练时间。并在特定的条件下,基于概率连接竞争学习的脉冲神经网络的准确率能提高2.6%,并在避障分类准确率相对其他分类更高,进一步表明了本文选用的算法模型具有一定的研究价值。