脉冲神经网络(spiking neural network,SNN)常被称为第三代人工神经网络,相比传统神经网络,脉冲神经网络采用更符合生物网络的脉冲神经元模型以及更复杂的突触模型来进行信息的传递。脉冲神经元的使用使得网络具有脉冲编码的能力,而脉冲编码被认为是人脑能够快速处理复杂信息能力的基础,因此相对传统人工神经网络的频率编码方式能够提升网络的信息处理能力。液体状态机模型(liquid state machine,LSM)是一种特殊的脉冲神经网络模型,它的网络部分是递归连接,称之为储备池,采用类似网络结构的模型也称之为储备池计算。储备池赋予了液体状态机实时计算的能力,因此模型不需要通过网络状态的收敛来得到输出。脉冲神经网络通过突触进行连接的,突触可塑性是指突触的功能发生改变,通常是连接权值的改变。本文对液体状态机模型和突触可塑性进行了研究,实现了对液体状态机模型的优化。突触整合能力是脉冲神经网络信息传递的基础,它包括空间信息整合和时间信息整合。本文基于突触整合的原理,研究了提高液体状态机在时间模式分类上的准确率。从空间整合的角度,应用放电时间依赖的突触可塑性(spike-timing-dependent plasticity,STDP)来构建自组织的网络,实验表明该自组织网络能够有效提高网络的表现。从时间整合的角度,本文研究了突触整合参数对网络性能的影响,结果表明对于简单的时间模式分类来说,增大突触整合参数能够有效提升网络的表现。生物神经系统由80%的兴奋性神经元和20%的抑制性神经元组成,兴奋性神经元在信息传递中扮演者重要角色,同时抑制性神经元也是生物网络中必不可少的部分,它能够使网络的放电平稳地进行。本文上述研究的基础上加入抑制性神经元,并结合兴奋性突触可塑性和抑制性突触可塑性来构建自组织网络。实验表明,和原始的液体状态机对比,混合突触可塑性的组织网络能够有效抑制兴奋性神经元的放电噪声,增强网络放电的同步性,从而可以提高液体状态机的在时间序列分类任务上的表现。