脉冲神经网络是通过模仿人类大脑脑神经系统信号模型的第三代神经网络,神经网络中的信息采用基于脉冲精准定时的编码方法,将客观世界信息流转换为脉冲序列进行处理,而非传统的基于频率的编码方法,这样的处理方法更符合生物神经系统的信息处理机制。研究表明,脉冲神经网络相对于传统人工神经网络,在模拟人脑脑神经系统的活动中更加精确,非常适合脑神经处理问题的相关研究。但由于脉冲序列的编码方法及脉冲神经网络结构的复杂性,构建合适的处理模型比较困难。本文通过借鉴前馈神经网络结构的模型和学习方法,设计了一种递归脉冲神经网络的监督学习算法和脑时空数据分类模型。首先,针对网络结构特性提出了适用性较好的递归脉冲神经网络的监督学习算法,将该算法应用到网络不同层对应的神经元突触中来调整突触权值。接着将算法应用到脉冲序列学习任务以检验算法性能,实验结果表明,该算法具有较高的学习精度和较好的适应能力,在处理复杂的时空模式学习问题时十分有效。其次,本文结合脑时空数据的特性,对比分析了几种脉冲序列编码方法。将几种算法分别应用到不同的波形数据进行编码,通过实验对比分析编码方法的优缺点,为后续脑时空数据的脉冲序列转换方法的选择提供了依据。针对EEG和fMRI的数据特性,使用相应的编码方法对原始数据进行编码,将得到的脉冲序列作为后续分类模型的输入信号。最后,将该分类模型及监督学习算法应用到脑时空数据的分类问题中,具体为EEG数据分类和fMRI数据分类两种实验。实验首先根据两种数据集存储结构不同,采用了不同的脉冲序列编码方法将两类不同类型数据转换为脉冲序列,然后将得到的脉冲序列作为输入信号输入到分类模型中进行分类实验,验证了该模型对复杂时空模式分类问题的求解能力。实验结果表明该算法可以以较高的分类准确率进行样本分类实验,在实际应用中具有一定价值。