在对生物神经系统建模的过程中发现,生物神经元之间的通信是通过神经冲动完成的。脉冲神经网络作为生物建模中最符合的网络模型,对复杂时空信息的处理性能较好。脉冲神经元应用脉冲时间编码神经信息,时间编码的机制更加符合对生物神经系统的模拟,包含更多的有效信息。基于时间编码的储备池网络模型,更加符合对生物的智能建模。储备池网络模型只训练输出层突触权值,虽然解决了传统脉冲递归神经网络的一些不足,在大规模问题的求解和长时序问题的处理上得到了很好的应用,但是往往忽视掉了储备池的动态特性。储备池网络结构的池层是一个规模较大且无规律的智能生物模型,对池层的学习更加符合生物神经系统的整体建模。首先,本文分析了储备池网络模型的网络结构和网络训练规则,以及在线和离线学习算法。在基于时间编码的储备池网络模型中使用ReSuMe(Remote Supervised Method)学习算法进行输出层突触权值的调整,输入层突触权值和池层突触权值在网络结构初始化过程中一旦生成不再改变。虽然在学习性能上较传统网络提高了脉冲序列的学习精度,但是往往忽略了储备池网络的动态性能。其次,由于在实际学习过程中突触前后神经元的历史活动会对突触强度和突触功效产生一定的影响。突触前后神经元脉冲序列的相关时序不仅会引起长时程增强(Long-term Potentiation)和长时程抑制(Long-term Depression),而且突触的增强或者抑制会逆行而快速的传播到突触前神经元树突的突触上。基于电活动对神经突触的双向影响,本文提出了双向调控学习算法进行基于时间编码的储备池网络结构的池层突触权值的学习。最后,进行了脉冲序列模式学习分析。在基于时间编码的储备池网络结构中,池层突触权值的学习采用双向调控的学习算法,输出层采用ReSuMe学习算法,分别进行了学习率和反向传播率对网络学习性能的影响、池层规模对网络学习性能的影响。实验最后,进行了带有池层学习算法和无池层学习算法网络学习规则不同时学习性能的比较。综合实验表明,基于双向调控的学习算法对储备池网络结构池层突触权值的学习可以提高网络的学习性能。