随着人工智能技术的快速发展,人类对大脑的研究日新月异。如何用计算机来模拟大脑神经元的运行机制引起了广泛的关注,进而衍生出了人工神经网络。但现有的人工神经网络仍然存在不足,其只模拟了神经元连接方式,而没有建模出大脑神经元利用脉冲传递信息的机制,因此脉冲神经网络(Spiking Neural Network,SNN)的研究应运而生。SNN为模拟大脑复杂的信息处理机制提供了一种潜在的计算范式,是由计算机学科与生物神经学科交叉形成的研究方向。受限于大部分脉冲神经元模型点火函数的不可导特性,SNN无法像深度神经网络一样使用反向传播算法迭代优化突触权重,从而限制了深度脉冲神经网络的发展。针对上述问题,本文构建了改进的PSRM(Probabilistic Spike Response Model)神经元模型,并在此基础上提出一种深度脉冲神经网络监督学习算法。该算法被应用于旋转机械的故障诊断问题中,以探索SNN在故障诊断问题中的应用能力。本文主要研究内容有:(1)建立了一种改进的PSRM神经元模型。本文通过定义的脉冲序列概率表达形式,提出了改进的PSRM神经元模型,解决了PSRM模型扩展性不强的问题。基于改进的PSRM神经元模型连续可导的重要特性,SNN即可通过反向传播算法来迭代优化突触权重。为推导得到后续监督学习算法,本文还提出了改进的PSRM神经元膜电压在时间序列上的递推关系式。(2)提出了一种基于改进的PSRM神经元模型的监督学习算法。本文提出了基于改进的PSRM神经元模型的单层和多层学习算法,并通过实验分别验证了两者的有效性。进一步地,本文将基于改进的PSRM神经元模型的多层学习算法应用到多个分类问题中,其实验结果表明本文提出的方法在多个数据集上均能够获得较好的结果。(3)提出了一种基于改进的PSRM神经元模型的旋转机械故障诊断方法。本文将基于改进的PSRM模型多层学习算法应用于轴承故障问题及其数据集上,使用局部均值分解算法从数据中提取特征并设计故障诊断模型,应用基于改进的PSRM神经元模型的多层学习算法训练故障诊断模型,再利用训练好的模型进行故障诊断。本文提出的方法在两组数据集上均达到了较高的测试准确率。