被誉为“第三代神经网络”的Spiking神经网络是神经科学,计算智能领域的最新研究成果,它是能够有效模拟生物神经元之间信息随时间连续传递的动力系统。该模型采用时间编码方式组织信息,可以模拟真实生物中的信息处理机制,比传统神经网络更接近实际生物神经系统。研究表明,Spiking神经元具备对外部输入信息的非线性处理能力,其编码机制、神经元模型、突触学习规则等都与传统神经网络大有不同,研究其内部机制并对其应用进行探索是很有意义的。而卷积神经网络作为Deep Learning领域中的一大分支,能有效模仿生物大脑空间层次结构来解释数据处理流程。因此,本文探究具有高度仿生物脉冲时序处理能力的Spiking机制,与具有空间抽象特征提取能力的卷积网络相结合,以全新的时空结合方式探索更符合生物认知规则的新模型,从而提高对时空数据的处理能力,既具有极强的科学研究意义,又具有较高的工程应用价值。本文的工作主要有三个方面:首先,提出了一种具有良好空间表征特性和时间信息传递的Spiking-卷积神经网络模型。利用具有时序处理能力的Spiking神经元代替传统方式来组织、表示和传递信息,针对时间脉冲进行卷积,将Spiking的时间处理特性和卷积网络空间连接方式有机结合。这种基于卷积网络的Spiking-卷积模型继承了卷积结构的局部连接、权值共享结构,对数据具有高度不变性,具有较少训练参数,同时具备了对时序数据的计算能力,汲取了两者之所长。这也是首次把Spiking神经机制和卷积神经网络结合起来,以达到对时空特征的自动提取能力;其次,本文提出了基于Spiking-卷积的图像边缘检测算法,运用拉普拉斯高斯算子(LOG)和高斯差分函数(DOG)两种经典有效的滤波器,进行Spiking-卷积,替换传统卷积方式,对图像进行边缘提取,为了验证Spiking-卷积新算法完成边缘检测的性能,我们做了仿真实验,并取得了良好的效果,为后续工作提供了技术保障;最后,本文给出了一个基于Spiking-卷积机制的图像识别计算模型,该模型具有Spiking-卷积的时空信息表示方案、Spiking网络结构、学习算法以及合理的投票决策方案,共同组成了一个高效、统一的Spiking-卷积识别系统。为了研究其在图像识别上的应用,本文通过计算机仿真和模拟,验证算法的性能,并得到预期的效果,使该方法既有高度仿生物性能,符合生物认知行为规则,又能有效的进行时空数据的特征表示,完成智能识别任务。