在生物学上,突触之间信息的传递是经过各种神经递质直接或间接地将刺激信号从一个细胞输送到另一个细胞,从而导致受体接收到的信息会发生一定的变化,最终各个信号的输入在突触中体现出非线性交互特性。因此,非线性突触交互成为生物神经网络的一个重要组成部分,也成为模拟生物计算和学习算法设计过程中的一个重要考虑因素。当前大多数脉冲神经网络的结构基本为输入层、隐含层和输出层,在层与层之间的信号传送中将突触简化为一个线性结构。实际上,生物神经系统中输入到突触的信号表现为复杂的非线性交互特性,针对精确定时编码的脉冲神经网络,使用突触传递函数来处理时间编码的神经信号,研究了基于非线性突触交互的脉冲神经网络监督学习算法。首先,介绍了生物神经系统的突触可塑性机制,以及神经元的脉冲序列核函数的表示形式,脉冲序列核函数将突触上离散的脉冲序列通过卷积运算转换成连续的信号。同时,分析了基于线性脉冲序列核的学习算法和基于非线性脉冲序列核的学习算法,及其对应脉冲神经元的突触学习规则。其次,对于脉冲序列编码的脉冲神经网络,提出了基于非线性突触交互的监督学习算法。在神经工程框架的基础上引入非线性突触交互模型,并结合脉冲神经网络的脉冲时间编码特性,通过定义的脉冲序列误差函数,随后给出了相应的突触权值调整规则,最终提出了基于非线性突触交互的监督学习算法。在模拟实验中,将基于非线性突触交互的监督学习算法应用于脉冲序列学习任务,分析了所提算法的脉冲序列时空模式的学习过程,并比较了采用不同的非线性突触核时的学习性能,从而找出了精确度更高方差更小的非线性突触核。此外,分析了不同非线性突触数目、不同学习率、不同模拟时长等参数变化时对学习结果的影响。最后,结合脑时空数据的特性,将基于非线性突触交互的监督学习算法应用到癫痫病的分类问题中,设计了相应的分类模型。将从人脑皮层所采集到的脑电信号进行编码,对于多个样本的每一个通道的信号均进行转换,数据被编码成脉冲序列来显示数据的变化,并将经过编码的脉冲序列作为输入信息输送到分类模型中进行效果检验。在癫痫病的数据集分类实验中,将所提算法与已有学习方法进行比较,该算法可以取得更高的平均分类精确度。综合脉冲序列学习任务和癫痫病分类实验结果可以看到,考虑非线性突触交互机制,设计脉冲神经网络的监督学习算法具有重要的意义,在分类问题中也能取得较好的分类结果,将进一步应用到更多实际问题的求解。