人工神经网络是人脑神经系统的抽象和模拟,传统的神经网络通过生物神经元的脉冲发放率表示模拟变量。而脉冲神经元模型根据神经元脉冲发放的准确时间编码信息,整合了神经元发放的时间、空间、相位等多种信息。与基于神经元脉冲发放率的传统神经网络相比,脉冲神经网络更接近于大脑神经机制,网络中处理了更多的信息,具有更强大的计算能力。但是,目前脉冲神经网络仍处于初步研究阶段,现有网络仅限于单层或者浅层单输出等简单的拓扑结构,网络结构的限制使得脉冲神经网络仅用于解决一些简单的逻辑问题。因而,扩展脉冲神经网络的拓扑结构,构建深度的脉冲神经网络具有重要的意义和应用前景。本文深入研究了脉冲神经网络的神经元模型,学习规则以及网络结构,探索了深度的脉冲神经网络模型以及学习方法。首先,通过ReSuMe学习算法,以SRM脉冲神经元构建多输入多输出具有隐含层的多层脉冲神经网络。通过将逻辑输入进行时间编码,该网络能够解决线性不可分的异或逻辑问题。再以简单字符图像同时作为网络输入和期望输出,训练输入层与输出层神经元个数相等,隐含层神经元个数减半的三层脉冲神经网络。结果表明网络输出能够准确复现输入,这验证了多层脉冲神经网络的学习能力,但是同时也存在学习到的低维隐含层特征不可区分的问题。其次,以自动编码器为基础,构建深度的脉冲神经网络。模型包含多个编码层,每个编码层由自动编码器和脉冲编码层网络构成。对于每个编码层,首先通过自动编码器进行初始特征学习,再以输入脉冲特征和自动编码器学习的低维脉冲特征作为网络输入和期望输出,训练仅含有输入层和输出层的脉冲编码层网络。然后以当前脉冲编码层的输出作为输入训练下一个编码层中的自动编码器和脉冲编码层网络。最终,将训练得到的若干脉冲编码层网络逐层级联,构成深度的脉冲神经网络。为了分析本文模型的有效性,选取手写字符数据集进行分类实验,将网络输出的特征通过SVM分类器进行分类。实验结果表明以脉冲神经元构建的深度脉冲神经网络能达到与自动编码器相媲美的分类精度和特征提取能力,网络模型能够无监督地提取有效的低维高层次特征,具有较好的发展前景。最后,针对脉冲神经元模型计算耗时比较大,深度脉冲神经网络难以处理较大尺寸的图像,提出改进的快速SLIC超像素算法,并以超像素作为深度脉冲神经网络的输入来加速网络,使其能够处理复杂图像。改进的快速SLIC算法对基本SLIC算法的搜索范围进行改进,通过一步全局聚类和边缘逐步细化,每次迭代仅计算超像素边界上的像素与邻域内超像素中心的距离,算法的时间复杂度由()降低为(√),其中为图像的像素个数,为超像素的个数,远小于。实验结果表明改进的快速SLIC算法能达到与基本SLIC算法相媲美的边缘查全率和欠分割错误率,同时具有更高的运算效率。与直接将图像缩小后的像素相比,将超像素作为深度脉冲神经网络的输入学习低维特征并进行分类,能够达到更高的分类精度。