神经形态视觉传感器是一种模拟生物视网膜的仿生传感器,这种新型的视觉设备由光感受器阵列组成,每个光感受器单元异步产生事件,将场景的光强变化编码为无帧的时空事件流。这种传感器有低冗余、低时延、高时间分辨率、高动态范围等优点。由于事件流与传统图像在数据格式上有本质不同,传统图像处理方法无法直接应用与事件流数据。研究构造适合事件流数据的视觉处理方法,是神经形态视觉的一大研究课题。脉冲神经网络以脉冲传递信息,具有极高的生物可解释性。脉冲神经网络和神经形态视觉传感器都模拟了生物脉冲,二者在信息处理方式上具有一致性,因此事件流数据可以直接作为脉冲神经网络的输入。同时,脉冲神经网络的时间编码方式极大程度保留事件流数据高时间分辨率下的精准时间信息。研究处理事件流数据识别任务的脉冲神经网络模型,对于推动神经形态视觉的发展具有重要意义。然而,现有的基于事件的目标识别方法仍然不够完善,很多方法依然会导致精准时间信息的损失。另外,这些模型一般只在运动轨迹固定且范围较小的稳定数据集上有效,不具备随机轨迹物体识别的鲁棒性,而运动是触发事件流数据的必要条件,真实场景也极少满足运动轨迹完全固定。事件流数据识别模型对随机运动的鲁棒性是其真实场景应用的必备属性。本文从事件流数据的定位与识别任务出发,构造了基于事件的脉冲神经网络目标定位与识别一体化的模型,本文的主要内容和贡献如下:1.提出了一种尺度融合的多脉冲事件流目标特征提取方法,并使用群体编码的tempotron分类算法,构造了事件驱动的脉冲神经网络目标识别模型。该模型在多个数据集上均取得了优于目前几个典型方法的分类效果。2.提出了一种活跃域检测的定位算法,通过动态更新活跃像素集合,获取活跃域的外接矩形作为目标定位。该算法在定位过程中基于事件驱动,避免了大多数事件流定位算法存在的额外时延问题。3.实现了定位算法与识别过程一体化的设计,在不引入额外去噪模块的情况下,实现具有强抗噪性的定位过程。构造了一个基于事件的目标定位与识别模型,实现了对于随机运动目标的鲁棒识别。