随着计算机技术和生物科学技术的不断发展,大自然为人类构建新的计算模型提供了丰富的思想源泉。众所周知,人类大脑是自然界中计算能力最强的生物计算机,人脑中含有上千亿个神经元,且每个神经元并不是独立的个体,它们之间通过突触高度互联,进而构成了复杂的神经网络结构。通过模拟人脑神经元的连接方式以及信息处理方式,一系列的神经型计算模型被相继提出,如人工神经网络、脉冲神经P系统等。人工神经网络最主要的特点就是自主学习环境中的知识,并不断改进自身的性能,它在神经计算理论方面和生产应用方面都取得了巨大的成就。脉冲神经P系统自提出以来,凭借着其强大的计算能力,也广泛应用在生物科学、计算机科学、图像识别等领域。而同为受人类大脑神经系统启发得到的计算模型,脉冲神经P系统与人工神经网络有着相似的拓扑结构。因此研究脉冲神经P系统的“认知和学习”能力具有重要理论意义和应用价值。从理论方面来说,(1)本文首先提出了一种新型的脉冲神经P系统即扩展自适应脉冲神经P系统,对神经元的内容、系统的结构以及突触上的规则集进行了改进。通过模拟注册机,静态证明了构造的新型P系统无论在产生模式下还是接受模式下都是图灵可计算的。(2)为了使新型脉冲神经P系统完全具备自适应的能力,使其更加符合生物现实,本文具体化了扩展自适应脉冲神经P系统中的学习函数,将神经网络中的动态学习规则引入到扩展自适应脉冲神经P系统中,分别构建了基于Hebb学习规则的扩展自适应脉冲神经P系统和基于SOM竞争学习规则的扩展自适应脉冲神经P系统,通过简单的实例验证了系统的计算过程,这为研究脉冲神经P系统提供了新的思路。从应用研究来看,本文首先将构建的基于Hebb学习规则的扩展自适应脉冲神经P系统应用在英文字符识别上,建立了识别英文字符的扩展自适应脉冲神经P系统。将英文字符图像转换为二进制信息,继而转换为脉冲信息输入到系统中,然后通过输入组块的信息扩充和识别组块的训练,产生相应的输出信息再进行判断识别。通过具体的仿真实验,验证该系统在无噪音水平下,字符识别的平均准确率可以得到99.4%,即使在高噪音水平下,系统识别的平均准确率也在70%以上,由此证明了基于Hebb学习规则的扩展自适应脉冲神经P系统在英文字符识别领域的可行性,这表明脉冲神经P系统在图像识别领域具有潜在的应用价值。此外,本文还将构造的基于SOM竞争学习规则的扩展自适应脉冲神经P系统应用在聚类问题上,建立了应用于聚类问题的扩展自适应脉冲神经P系统。将数据集中的实数数字信息输入到系统中,然后经过输入组块的信息预处理和聚类组块的聚类操作,将不同的数据集信息进行分类。本文将UCI数据集输入到系统中,证明了基于SOM竞争学习规则的扩展自适应脉冲神经P系统在聚类应用上表现良好,这也有效拓宽了脉冲神经P系统的研究范围。