在现代生活中,人脸识别已遍布生活中的各个领域,如安防监控、移动支付等。尤其是随着物联网的飞速发展,在边缘端设备上部署人脸识别的需求正在快速增加。在移动设备或其它资源受限的小型边缘计算设备上,人脸识别算法的计算复杂度和计算效率将至关重要。然而,现有的基于深度学习的主流人脸识别算法往往需要大量的计算资源,基于传统机器学习的算法在无约束条件下面临识别率不足的技术挑战。因此,如何在计算资源有限的设备上部署人脸识别应用成为了一个热点问题。随着神经形态计算的兴起,脉冲神经网络（Spiking Neural Network,SNN）走进人们视线。SNN凭借“异步”处理信息的特性以及高能效的计算模式受到关注,也为如何高效地实现人脸识别提供了新的思路。本文针对当前基于深度学习人脸识别算法计算复杂度高、传统脉冲神经网络人脸识别率低等问题,提出了一种面向人脸识别的异构脉冲神经网络算法,旨在以尽可能低的计算复杂度获得较高的识别精度。异构SNN由用于对图像特征稀疏编码的编码网络和用于特征分类的分类器网络这两种不同的网络构成。该算法通过稀疏编码网络使用稀疏的脉冲提取并表征人脸特征,提高网络识别率的同时降低所需处理的脉冲数量。论文的主要贡献有:（1）提出了一种面向人脸识别的异构脉冲神经网络。融合无监督的脉冲稀疏编码与高能效的有监督脉冲神经网络分类器,并通过脉冲稀疏编码的自动特征选取特性过滤干扰信息,提高网络特征提取能力,与识别准确率。同时依靠神经元生物特性,降低脉冲发射率,从而起到降低计算复杂度,提高计算能效的作用。此外,依靠无监督的特征提取与有监督分类分开训练的方式降低典型脉冲网络对带标签人脸数据的需求量。（2）提出了一种高效的多层脉冲神经网络的学习规则,利用易于实现的损失函数以及异构网络带来的输入脉冲稀疏性,在提高权重更新效率的同时不影响识别精度。（3）进行详细的实验,在ORL等多个数据集中验证了异构网络的准确率,证明所提出的异构脉冲网络在样本数量较少的带标签人脸数据集中,准确率下降更少。实验结果表明,本文所提出的异构算法在ORL等人脸数据集中,平均每256像素仅需处理约150个脉冲,并能够达到平均95%的识别率。