深度学习和Spiking神经网络是人工智能相关领域的热门话题。深度学习已经在多个领域展现其强大的计算能力,其主流模型通过分层表示来抽象数据。Spiking神经网络作为第三代神经网络,其独特的神经元模型使其在类脑计算相关领域的影响力与日俱增。先前的研究表明,Spiking神经网络中可以用非监督学习算法,脉冲时间相关可塑性(Spike timing dependent plasticity,STDP)提取特征。然而,这些研究使用的网络都相对较浅,通常只有一层可以训练。另一种研究表明,深度学习使用基于速率的反向传播神经网络,通过增加网络层数提高识别的鲁棒性。因此,本文在对Spiking神经网络和深度学习进行了大量的理论和实践上的研究,本文在分析深度学习已有模型的基础上,融合Spiking神经网络特殊的神经元模型、突触学习规则和对外部输入信息的处理等机制,构建了一个基于STDP的脉冲深度神经网络(STDP-based spiking deep neural network,SDNN)并提出一种脉冲时间神经编码,主要包括以下内容:(1)研究并提出基于Spiking神经网络的动态区域生成算法,并作为SDNN的编码机制。该算法将图片预先分成小区域,利用不同区域的点火时间作为网络的编码值。相较于Spiking传统编码方式,算法与生物机制更紧密地结合,点火机制来自神经元传递信息的方式,网络形态多样性来自视觉皮层的多个感受野,为生成超像素区域提供了一个新的视角,为Spiking神经网络特征提取和分类创造了条件。(2)研究并提出基于STDP的脉冲深度神经网络(SDNN)。为了适应Spiking神经网络的要求,调整卷积神经网络(convolutional neural network,CNN)架构,采用STDP学习规则,使得神经元逐步学习输入图像的特征。通过在Caltech101数据集和MNIST数据集分别实验,验证了新模型的有效性。SDNN比传统的Spiking神经网络模型训练效率更高,分类效果更优,这表明编码方式和学习机制(STDP规则和竞争学习)有效的区分对象的表示,两者的结合是理解灵长类动物视觉系统学习方式、实现低能耗和提高处理能力的关键,对人造视觉系统也很有意义。