当前计算机发展由于冯诺依曼架构限制和摩尔定律逐渐失效,已经接近瓶颈。而另一方面,在大数据时代亟需研发新一代的计算架构与硬件,这种新型计算机能够依托有限的带宽与存储容量,智能、实时并高效的处理数据量极为庞大的视频数据流,实现如目标运动模式识别等智能计算需求。计算存储一体化的神经网络和神经形态硬件为这提供了一条全新的道路。我们研究的脉冲神经网络是基于类脑研究的具有很高生物似真性的网络,采取了不同于当前冯诺依曼结构的新计算架构,实现了计算存储一体,且具有超低功耗、智能学习等仿生物大脑的优点。我们首先制备硅酸锂(LiSiOx)忆阻器作为神经形态硬件,基于其忆阻特性在实验上实现了生物突触的STDP(Spike Timing-Dependent Plasticity)功能。在此基础上,我们构建了单层神经网络,采用基于地址事件表达AER(Address Event Represent)动态视觉传感器DVS(Dynamic Vision System)编码视频作为输入,利用上述LiSiOx忆阻特性,实现了视频中运动物体轨迹的识别。本工作研究内容与取得成果为下:(1)我们成功制备并表征了LiSiOx忆阻器,基于其忆阻导电机理,设计了人工突触,通过神经元脉冲波形的优化设计与调制,实验实现了仿真生物突触的STDP功能。(2)我们系统研究了用于动态模式识别的脉冲神经网络编码方式、学习法则以及神经元模型等,讨论了如何使用稀疏编码的DVS信号和忆阻器构建神经网络,并针对运动模式的两种输入信号设计忆阻突触对构建该神经网络的突触阵列,用在线的非监督学习成功实现了十二种运动模式的学习。(3)我们对非监督学习神经网络的重复学习和贪婪学习问题进入了深入讨论,从侧向抑制延迟引入了WTA(winner take all)神经网络学习模式容量问题,研究了其与忆阻突触权重初始分布的关系,结论是——忆阻突触权重初始分布较大或者较小会导致无效学习或重复学习等问题。(4)我们重点讨论了突触初始权重分布和神经网络学习模式容量之间的关系,通过调整LiSiOx忆阻器的forming电压实现对其初始权重分布的调制,成功的实现了神经网络学习模式容量最大化。我们据此提出了脉冲神经网络应用于动态模式识别的软硬件协同设计方法。