被誉为“第三代神经网络”的脉冲神经网络通过使用脉冲序列模拟生物神经元的信息传递过程,脉冲神经元在脉冲发放的基础上结合了时空信息,具有更强的仿生性。传统的人工神经元采用频率编码的方式,而新一代的脉冲神经元将外界刺激以时间作为特征来进行编码,携带更多信息量,这为分析生物大脑中的信息处理过程提供了强大的工具。但其目前处于初步发展阶段,在整个体系的完善和高效的学习机制上还有待挖掘,所以本文对脉冲神经网络中基于膜电压驱动的监督学习机制的研究是十分有意义的。脉冲神经网络目前在研究领域拥有I&F和SRM两大经典模型,本文主要在I&F模型中最常用的LIF神经元模型上对膜电压驱动的监督学习方法展开研究。本文提出了一种用于多脉冲输出的高效学习机制,并提出了一种计算极值点EPs(Extreme Points)的方法,将其用于改进提出的学习机制,提高了多脉冲输出的学习效率。为了证明EPs的普适应,使用极值点思想改进了经典的PBSNLR算法。其主要研究内容如下:1.提出了一种基于梯度下降的多脉冲学习机制。介绍了经典的Tempotron学习算法,指出了其只能适用于单脉冲点火的缺陷,在LIF多脉冲神经元模型上提出了一种基于梯度下降的多脉冲学习机制,并成功应用于多脉冲点火的训练。2.提出了一种计算膜电压极值点EPs的方法。现有的EMPD算法通过监控驻点与间断点进行学习,但EMPD适用于简化SRM模型,普适性低并且监控点多。本文在普适性最好的LIF多脉冲神经元模型上,提出了一种基于局部膜电压极值来计算特征点的方法。3.提出了基于极值点膜电压进行训练的EP-Tempotron和EP-PBSNLR算法。应用EPs改进了基于梯度下降的多脉冲学习机制,提出了EP-Tempotron,进一步提高了多脉冲场景下的学习效率。为证明EPs思想的普适性,引入了基于脉冲感知神经元SPN的离线学习算法PBSNLR,结合EPs训练机制,提出一种训练精确特征向量的EP-PBSNLR算法,改进了PBSNLR在低选取率时收敛不稳定的问题。4.通过实验对比了膜电压驱动与脉冲驱动学习算法的学习性能,并将EPTempotron与EP-PBSNLR成功应用到XOR逻辑异或问题和光学字符信息识别实验中,对算法的实用性进行了验证和对比,并对实验结果进行了详细分析。