脉冲神经网络具有生物相似性,拥有强大的时间和空间特征处理能力,采用基于事件驱动的处理模式,是运行在高效的神经形态硬件的理想模型。然而,由于脉冲神经元模型的不可微性,直接训练深度脉冲神经网络一直是个难题。高效的学习算法和训练平台的缺乏,阻碍了深度脉冲神经网络的广泛应用。为此,本文针对深度脉冲神经网络提出了端到端的直接式监督学习算法,具体而言,本文的创新点和贡献如下:(1)本文提出了一个基于离散LIF神经元模型(Leaky Integrate-and-Fire neuron model)和替代微分的学习算法来直接训练深度脉冲神经网络,同时权衡了计算效率、训练速度和目标精度。本文提出了编码器-解码器的网络架构,通过编码器对输入脉冲序列进行特征抽取,通过解码器将脉冲输出为频率,从而能够实现多种任务的输出。(2)本文基于离散C-LIF(Current-based LIF)神经元模型,优化了网络架构,使其支持脉冲和非脉冲输入。当网络输入非脉冲数据时,编码器自动将其精确地编码为脉冲。实验结果表明,本文的学习算法在动态神经形态数据集MNIST-DVS和DVS-Gestures上分别取得98.40%和95.83%的分类准确率,在静态图像数据集MNIST和SVHN上分别取得99.58%和95.97%的分类准确率,与目前最好的结果同一水平。(3)本文提出了反向过程优化和逐层冻结的加速策略,提升了训练效率并降低了功耗。反向过程优化包括等步长反向过程和随机反向过程两种方法。逐层冻结采用自适应学习率优化算法和预设间距的方式实现,预设间距包括等间距、二次递增间距和二次递减间距。实验结果表明,在准确率同一水平下,单一策略最高可降低耗时42.6%,组合策略最高可降低耗时60.0%,大大提高了训练的效率。