近年来,随着大数据技术和并行计算技术的迅速发展,深层网络在图像任务上的尝试表现优秀。然而,这种深度网络的神经元是基于实值计算的,将反向传播用于网络学习,且随着网络的深度日益增加,需要额外的计算成本和存储资源,这限制了深层网络在现实应用上的发展。作为一种新的现代人工神经网络的脉冲神经网络源于脑科学的启发,它深度模拟生物神经元的动态特性,是目前生物学上最可信的神经网络。事件驱动的脉冲神经网络具备稀疏而强大的计算能力,有望解决深度网络在实际应用上的限制。因此,如何融合脉冲神经网络和卷积神经网络的优势,设计一种高计算效率和高准确率的网络模型具有重要的现实意义。本文受生物视觉机制启发对视觉信息脉冲编码和卷积脉冲神经网络图像识别问题进行了深入研究,具体研究内容如下:（1）基于时序的视觉特征编码。依据生物视觉通路中视网膜神经节细胞感受野的特点,采用高斯差分滤波器模拟感受野特性来对输入信息进行图像边缘特征的提取。并针对单尺度高斯差分滤波器提取信息固定,设计了多尺度高斯差分滤波器来模拟不同窗口大小的多尺度感受野的特性。结合脉冲时序编码理论,提出了基于时序的强度顺序编码方案,将提取的图像边缘特征编码为脉冲时间序列。高斯差分滤波器的应用提取了丰富的图像边缘特征,保存了重要的图像信息。（2）基于注意力机制的卷积脉冲神经网络图像识别。受视觉系统的分级信息处理机制与视觉系统的脉冲信息表示和传递机制的启发,结合（1）中基于时序的单尺度感受野视觉神经信息编码方法,融合脉冲网络和卷积网络的优点,提出了基于注意力机制的卷积脉冲神经网络图像识别模型,简称为AMCSNN。该模型基于突触可塑性的无监督的脉冲时序相关可塑性学习规则来进行网络权重的学习更新,结合轻量级的通道空间注意力机制来聚焦图像的重要信息特征,采用额外的监督模块支持向量机来完成图像识别任务。在多个图像识别基准数据集上对所设计的网络模型进行实验分析,结果表明该网络模型在实现了优秀的识别准确率的同时也达到了更快的网络计算效率,验证了所提脉冲神经网络模型的有效性。（3）基于奖惩机制的卷积脉冲神经网络图像识别。针对（2）中模型采用的分类器并无合理的生物现实意义,仿生性比较差这一问题,受大脑奖惩机制的启发并结合（1）中提出的基于时序的多尺度感受野视觉神经信息编码方法,提出了基于奖惩机制的卷积脉冲神经网络图像识别模型,简称为RPCSNN。该模型基于奖惩机制模拟了大脑的决策行为,具有更强的生物真实性。在多个图像识别基准数据集上对所设计的网络模型进行实验分析,结果表明该网络模型识别准确率高、网络计算能力强且仿生性更好,对大脑信息的表示和生物机制的模拟具有一定的参考意义。