近几年来,随着脉冲神经网络及其学习算法研究的快速发展,越来越多的研究结果显示脉冲神经元通过接受、发放脉冲来传输信息和实现功能的工作原理更加接近于真实的生物神经元,基于精确定时的脉冲神经网络成为了神经系统信息处理的有效工具。基于精确定时的脉冲序列编码信息的特点,脉冲神经网络的监督学习目的是通过突触权值的调整使神经网络能够输出脉冲序列,表达特定信息的脉冲序列。基于脉冲精确定时特性的脉冲神经网络拥有更强大的存储和计算机能力,它能够模拟各种神经元信息和任意的连续函数,非常适合于大脑神经信息的处理问题。首先,多数脉冲神经网络学习算法借鉴于人工神经网络中的误差反向传播算法,在此基础上给出了梯度下降的学习规则,提出了一种基于具有反馈的局部递归脉冲神经网络结构的监督学习算法。针对精确定时的脉冲编码,首先定义了多脉冲误差函数。基于梯度下降构建输出层和隐含层,隐含层与递归层神经元之间突触权值的学习规则,实现了递归脉冲神经网络突触权值的自动调整。目前多数基于梯度下降的学习方法只能进行单脉冲的学习,文中分析了其中的原因,构造了适合本文算法的脉冲响应神经元模型,使输出层的神经元能够发放多个脉冲,并且能够用于分类问题。提高了递归脉冲神经网络在解决复杂问题中的应用能力。然后,通过模拟一系列脉冲序列的学习,验证了文中所提递归脉冲神经网络监督学习算法对多种情况脉冲序列的学习能力。在脉冲序列的学习过程中,通过对单脉冲序列的学习,验证了对于给定的输入脉冲序列,递归脉冲神经网络能够训练出一个理想的脉冲序列。接着,通过对多脉冲序列的学习显示了学习一个随机输入脉冲序列模式到多个目标输出脉冲序列的映射的能力。结果显示该算法能够实现脉冲序列复杂时空模式的学习。最后,在多任务脉冲序列的学习过程中展示了该算法对于不同的输入模式能够并行地完成多模式的学习能力。实验结果表明了该递归脉冲神经网络监督学习算法能够有效的完成不同的脉冲序列学习任务,能够实现脉冲序列的复杂时空模式学习。同时,将该算法应用到了对LabelMe图像数据集中部分图像的分类问题,验证了该算法对图像分类问题的求解能力。