随着神经科学与类脑计算的发展,构建同时具备低功耗、低延迟和高精度特性的类脑认知系统,成为近年来人工智能研究的重大热点和难点问题。构建深度脉冲神经网络(Spiking Neural Network,SNN)是解决上述问题的有效途径之一。由于缺乏对深度SNN进行直接训练的有效算法,研究者提出基于深度神经网络(Deep Neural Network,DNN)训练与转换的深度SNN构建方法,使得构建得到的深度SNN具有与DNN接近的精度,同时具有低功耗、低延迟特性。但由于人工神经元与生物神经元存在巨大差异,转换过程存在近似误差,导致构建得到的深度SNN相对于DNN始终存在精度损失。为此,本文从网络结构、神经元模型与数据编码方式三方面着手,对转换近似误差进行研究,并在此基础上提出一种新的人工神经元激活函数模型和SNN的参数优化方法,进一步缩小近似误差,从而降低精度损失。主要研究内容包括:(1)提出与Leaky Integrate and Fire(LIF)神经元更接近的激活函数Rand Softplus(RSP)。针对现有激活函数与LIF神经元脉冲响应存在较大差异的问题,首先对LIF神经元进行仿真,然后,引入反映神经元随机性的参数η对其输入-输出响应进行建模,提出一种与LIF神经元脉冲响应特性更接近的激活函数RSP,并将其用于DNN网络训练,以缩小由人工神经元与LIF神经元模型差异所导致的精度损失。(2)提出改进的SNN参数优化方法。本文研究了SNN中已有参数优化方法,针对已有阈值优化方法造成部分神经元激活不足的问题,提出一种神经元发放阈值自适应调整优化方法,使得阈值根据输入数据进行动态调整,提高网络信息传递效率;针对补偿因子静态设置所造成额外近似误差问题,引入脉冲计数机制以获取实时脉冲发放率,实现补偿因子动态计算,在解决神经元脉冲发放率随网络层数增加而降低的问题同时缩小了近似误差。仿真实验结果表明,本文所提出激活函数不仅降低了深度SNN的精度损失,同时提升了网络抗噪性;所提出的深度SNN参数优化方法相对于已有方法,在CIFAR-10数据集上展现出更好的性能。