近年来,随着人工智能技术的高速发展,越来越多的智能化设备和服务使人们的生活方式更为便捷。类脑计算作为人工智能的重要领域之一,试图通过研究和模拟人脑的认知原理,如神经网络的组织结构、运行机制等,使机器具有高度的智能化水平。神经科学家研究发现,生物神经系统的信息是以脉冲为载体来处理和传递的。为了模拟这一信息处理机制,Spiking神经网络应运而生,并具有比传统神经网络更好的仿生性和更强的计算能力。当前,基于Spiking神经网络的研究在理论和应用方面都已经取得诸多成果,对其学习算法以及应用的研究,不仅可以促进人工智能的发展,还可作为仿脑芯片实现的理论基础,从而促进非冯·诺依曼体系计算机的发展。监督学习是神经网络的重要学习机制之一,其通过目标驱动等策略进行网络训练,是认知计算的知识积累的重要过程,也是模式识别的重要方法。本文主要研究基于Spiking神经网络的监督学习算法及模式识别的应用问题,主要包括以下内容:(1)研究并提出一种高效的单层Spiking神经网络学习算法,并将其应用在分类问题中。算法使用生物视觉系统中的选择性注意机制,对Spiking神经网络监督学习训练中的冗余信息进行筛选,从而有效降低了脉冲时间信息的处理量;同时,算法采用基于电压的误差函数进行训练,相比采用时间误差函数的传统方法,获得了更高的网络训练效率。使用这些策略,所提算法在单层Spiking神经网络上的训练效率比传统算法提升了至少4倍。(2)研究并提出一种高效的多层Spiking神经网络学习算法,并对分类问题进行了验证。针对传统学习算法中电压函数不连续导致的误差反传效率低下问题,算法创新使用前突触脉冲的时间移动策略对训练误差进行反传;同时,算法采用归一化的误差参数以及选择性注意机制对传统训练过程中的冗余信息进行有效筛选;这些策略大幅度提升了Spiking神经网络的多层训练效率。此外,本文对算法的前馈计算和反馈训练的原理、收敛性与复杂性等进行了理论分析。(3)研究并提出一种高效的基于Spiking神经网络的用户身份认证方法。使用动态参数调整、训练时间样本筛选等策略,改进传统的基于感知机Spiking神经元的学习算法,使其具有更高的训练效率,而且对参数变化更具有鲁棒性。同时,结合智能设备中用户行为数据的特点,研究了该算法在具体应用中数据特征表示及分类器设计方法,实现了基于智能设备的用户身份合法性认证。(4)研究并提出一种高效的基于Spiking神经网络的人体行为识别方法。使用粒子群优化算法改进传统的基于Spiking神经网络的远程监督学习算法,使算法的学习参数可以根据不同的应用数据自动调优。同时,根据视频数据流的特点,研究了此算法在人体行为识别应用中的特征表示及分类器设计方法,实现了基于视频数据的人体行为识别。