地址-事件表示(Address-Event Representaion,AER)图像传感器是一种低数据冗余的仿生视觉芯片,适用于高速目标追踪和识别的机器视觉系统。由于芯片输出的是特殊的地址事件流,因此需要研究新的系统架构和算法。当前基于AER视觉芯片的识别算法大多只关注理想数据库上的识别性能,但实际应用中出现的非理想因素也极具研究价值。本文主要研究基于仿生视觉芯片的多目标识别系统,针对实际问题完成系统的优化设计。本文首先分析AER视觉芯片的工作原理,然后提出了能够精确评估目标状态的多目标追踪算法,并基于追踪算法的中间数据,设计出用于获取分类器开启时间的活跃值峰值探测器。接着本文设计了用于AER图像的特征提取算法,利用Gabor卷积核以及最大值池化等操作,实现了对不同方向和尺度下的特征提取和特征压缩。同时本文提出了基于Tempotron学习机制设计的脉冲神经网络分类算法,并基于MATLAB GUI软件设计平台完成了多目标识别系统的初步开发。最后,针对噪声干扰和多尺度输入等非理想情况下,识别系统性能大幅降低的问题,本文在对现有方法的分析基础上,分别提出了双权值中心定位算法和特征缩放算法,实现了多目标识别系统的最终优化。本文所提出算法的实验结果如下:1.多目标追踪算法能够实现多目标的定位和状态评估。基于算法中间数据设计的活跃值峰值探测器将运行时间减少至原先的52.08%。2.双权值中心定位算法能够大幅降低噪声对识别效果的影响,在椒盐噪声密度为2.5%的MNIST数据库上仍有87.64%的识别率,优于当前现有算法。3.特征缩放法能够解决多尺度输入问题,大范围尺度下仍有83.29%的识别率。综上所述,本文所提出的多目标识别系统具有解决噪声、多目标和多尺度输入等非理想问题的能力,适用于高速AER视觉系统的实际应用。