人类对于信息的处理主要依赖于构成复杂神经网络的数十亿个神经元,而且信息以脉冲的形式进行传递,目前脉冲神经网络是比较好的结合了人类的生物神经系统与机器学习两者特征的神经网络,并已经在图像处理,强化学习,语音处理等实际应用取得了一些成果,但是现阶段也只是处于一个初始研究阶段,很多理论框架算法都还不够清晰,所以越来越多人开始对其的理论和应用进行研究。在对于脉冲神经网络进行研究中,无监督学习一直是重要的一环,基于STDP(Spike-timing-dependent plasticity,STDP)规则的脉冲神经网络,在具有明确的生物意义的同时,也能够处理相对复杂的图像分类问题,为了提高算法的效率和准确率,本文对其网络结构以及分类层算法做出了改进,本文主要内容如下:首先阐述了脉冲神经网络的生物意义以及基本理论知识,在其生物意义的基础上介绍了常规的脉冲神经元模型,并描述了脉冲神经元的编码机制以及学习算法,给出了目前常用的一些网络结构。其次对于突触可塑性规则进行了详细介绍,研究了其发展历程以及不同的STDP规则变体;对常用的基于STDP规则的全连接网络结构进行了改进,修改成一种稀疏概率连接方式。通过实验验证,表明该结构可以有效的减少网络训练的时间。然后构建了一个基于泊松编码规则的脉冲神经网络结构,并且对于泊松编码机制增加了动态偏置,也对于传统的分类算法进行改进,增加了一种投票竞争机制,通过多次训练后的神经元表现类别进行投票竞争,优化了同等神经元数量的网络机构在图像分类问题上的性能。最后将上述的研究在MNIST数据集上进行应用和验证,表明了基于稀疏概率连接的网络结构确实可以有效的降低网络的训练时间,其次也对竞争学习机制进行了进一步的实验与研究,表明竞争次数在四次时就会取得很好的效果,并且在MNIST数据集上进行验证准确率达到了98.1%,与未采用投票竞争机制的同等网络规模下的脉冲神经网络相比准确率平均提高了约6%。而且可以在神经元数目较少时,不增加训练时间,取得更好的效果,还在Fashion-MNIST数据集上进行了进一步的实验,验证本文选用的算法取得了一定成果。