膜计算是自然计算的一个新分支，是一种生物计算模型。它是从生物体的细胞、组织器官、大脑以及其他生命结构中衍生出来的计算模型。膜计算模型涵盖了生物学、计算机科学、医学等多个领域的知识。膜计算主要有三种类型：细胞型、组织型和神经型P系统。如果将组织型膜系统中的细胞转换成神经元细胞，那么就形成了神经型 P 系统。神经型 P 系统是组织型膜系统的一种拓展模型。2006年，M. Ionescu根据神经元通过脉冲可以相互通信这一原理提出了脉冲神经P系统。经过近十年的发展，脉冲神经P系统衍生出了多种类型。不论是在产生模式下还是在接收模式下，脉冲神经P系统都具有很强的计算能力，能够高效率的处理复杂问题。这不仅为计算机科学和生物学的发展创造了一种新的可能，还为人们探索未来计算机的发展拓宽了道路。所以，对于脉冲神经P系统进行深入的研究具有重要的理论意义。同时，对其进行应用研究又具有重要的现实意义。　　目前，学者们主要从以下三个方面来对神经膜系统进行理论研究：研究系统的小通用性问题、研究系统计算函数的能力和研究系统的计算通用性问题。因此，在理论研究方面，本文提出了一种新型的神经型膜系统计算模型，即加权结构塑性脉冲神经P系统。注册机M中各个模块中有不同的指令，通过模拟各个模块中指令的计算过程，研究了系统在产生模式下的计算通用性。同时，通过增加INPUT 模块研究了系统在接收模式下的计算通用性。证明了系统不论是在产生模式下还是在接收模式下都具有计算通用性。　　脉冲神经P系统的优势明显，系统的并行性高，因此经常被用于求解计算难问题。而脉冲神经P系统是从生物体中衍生出来的一种计算模型，为了拓宽脉冲神经P系统的研究思路，本文在脉冲神经P系统中引入学习规则，构造了一种基于学习规则的动态创建突触的结构塑性脉冲神经P系统计算模型，找到了人工神经网络和脉冲神经P系统之间的结合点，开拓了脉冲神经P系统研究的新方向。　　在应用研究方面，脉冲神经P系统的拓扑结构是由有向图构成，系统中的每个神经元用结点表示，系统中连接两个相邻神经元间的突触用边表示。这和人工神经网络的拓扑结构相似。而人工神经网络在模式识别中应用广泛，因此本文将基于学习规则的结构塑性脉冲神经P系统与神经网络相结合，拓宽其应用领域。在图像处理领域，主要集中在将细胞型膜系统和组织型膜系统应用于解决基本的图像处理问题，但是将脉冲神经P系统应用于图像处理的成果却非常少。脉冲神经P系统和图像处理都具有并行性的特点，因此本文将基于学习规则的结构塑性脉冲神经P系统应用于手写数字识别领域，通过仿真实验，证明了基于学习规则的结构塑性脉冲神经P系统在图像处理领域的可行性，这有效地扩大了脉冲神经P系统的应用领域。