随着大数据技术的快速发展,研究和开发类脑计算模型及平台受到研究者越来越多的关注。深度神经网络凭借对大规模数据出色的处理能力在各个行业大显身手,但是传统人工神经网络模型和生物神经系统在信息编码等方面存在一定的差距,使得具有生物可解释性的深度神经网络计算模型需要进一步的研究与发展。脉冲神经网络应用精确定时的脉冲序列编码与处理神经信息,与基于脉冲频率编码信息的传统人工神经网络相比,拥有更强大的计算能力,非常适合于实现复杂时空模式的处理问题。此外,在深度神经网络模型训练中,无监督学习不需要对数据添加标签,并且无监督学习更加符合大脑学习的特征。因此,结合脉冲神经网络的信息处理方式与深度神经网络的计算模式,构造具有广泛适用性的深度脉冲神经网络的无监督学习方法,将是机器学习研究中极富挑战性的任务。基于以上描述,本文构建了一种用于深度脉冲神经网络的无监督学习算法,主要的研究内容如下:(1)分析了脉冲神经网络的无监督学习规则和深度学习方法,然后介绍了传统的对比度散度算法。在此基础上,重点分析比较了脉冲神经网络基于脉冲驱动的对比散度学习算法,分别包括基于脉冲频率的对比散度和基于STDP机制的对比散度方法。(2)对于脉冲序列编码的脉冲神经网络,提出了一种基于KL散度的无监督学习算法。首先介绍了本文使用的脉冲神经元模型,构造了构成深度脉冲网络的脉冲神经机模块,然后在该模块上使用所提出的无监督学习算法进行脉冲序列学习任务,通过重建误差验证无监督学习规则的学习性能。最后对实验结果进行分析,结果表明所提出的无监督学习算法可以学习具有时空特性的脉冲序列,并且学习性能良好。(3)通过模块叠加的方式设计了脉冲神经网络的深层结构,并提出了相适应的逐层预训练方法。为了验证脉冲神经网络深层结构的计算性能,将计算模型应用到了图像分类问题中,先通过无监督逐层预训练对特征进行学习,然后在最后一层添加监督学习算法对网络进行微调。在本文中,误差反向传播算法仅对最后一层隐含层的突触权值进行微调,不对整个网络进行反向传播。通过实验结果表明,应用基于无监督学习算法的逐层预训练及反向微调方法,可以很好的解决图像分类问题,并得到了较高的精确度。