深度脉冲神经网络（Deep Spiking Neural Network,Deep SNN）充分结合被称为“新一代神经网络”的脉冲神经网络（SNN）自带的低功耗、生物可解释性、时序任务可处理性等一系列优点以及深度学习（Deep learning）具备的强大的层次特征表征能力,使得SNN已经在图像处理、语音识别等方面的研究更上了一个台阶。已成功应用到传统人工神经网络（ANN）的多尺度理论（Multi-Scale Theory）与人类的视觉生理特征密切相关,使得生物视网膜既可以捕捉视觉感知对象的局部详细信息也可以获得其全局整体信息。将Deep SNN与多尺度理论的结合,不仅可以提升模型准确率,还可以提升运算速度。本文深受现有Deep SNN模型和多尺度理论的启发,设计完成了一种高效的基于脉冲事件驱动的多尺度深度脉冲神经网络（Multi-Scale Deep Spiking Neural Network,MS-DSNN）,主要工作包括:（1）提出了一种编码方法:Sin Spike编码。目前现存的常用的延迟脉冲编码方法基于线性表达式来表达脉冲时间和像素值大小的关系,它粗略遵循了图像脉冲编码的细节（应尽可能让像素值大的位置尽可能早的点火让像素值小的位置尽可能晚的点火）。但是生物学的意义来讲,人眼对亮度的响应本身就是非线性的,这决定了像素值与脉冲的关系本来就应该是非线性关系。Sin Spike编码充分结合Sine函数的区间曲线特性并充分考虑图像脉冲编码的原则,不仅让图像更多的信息量得以表达,并且有利于后续特征提取。（2）提出了一种特征提取结构:多尺度脉冲特征提取结构。目前非端到端学习的Deep SNN模型中常用的特征提取结构为串行结构,这样的结构可以起到压缩输入数据、数据降维的作用,但是也存在特征信息丢失和运算效率不高的问题。结合多尺度理论,提出一种多尺度脉冲特征提取结构,不仅低功耗节能且可以并行异步计算提高运算效率,同时也能利用多尺度特征提高模型的性能。（3）提出了一种脉冲响应核函数和一种基于脉冲事件驱动的分类算法:ReL-PSP核函数和Spike-Timing-Dependent Back-Propagation（STDBP）算法。借鉴ReLU函数的特性提出了ReL-PSP核函数,成功解决了现存SNN监督学习算法中可能存在的梯度消失或者爆炸问题。在此基础之上,充分结合BP算法的强大算力和具有生物意义的单脉冲（Time-To-First Spike,TTFS）传输方式,提出了基于脉冲事件驱动的STDBP算法。该算法不仅提高了神经网络的学习效率,而且大大减少神经网络学习过程中的能耗,有利于硬件实现。（4）提出了一种完全基于脉冲事件驱动的多尺度网络模型:MS-DSNN模型,将该模型实现并用于图像分类和语音分类。该模型采用TTFS的传输方式,采用非端到端学习方式,具备异步计算的能力、硬件可移植的潜力。模型的结构分为脉冲信息编码层、多尺度脉冲特征提取层、脉冲分类层三部分。学习过程分别发生在多尺度脉冲特征提取层、脉冲分类层,这为模型的异步在线学习提供了可能性。