脉冲神经网络在低功耗、生物可解释性以及脑机交互实时应用等方面具有优越的性能和广泛的应用前景，因此在类脑计算中占据着重要的地位。但是，脉冲序列的不可微性以及网络中复杂的动态特性使得脉冲神经网络的训练十分困难。目前脉冲神经网络的学习算法还无法取得和深度卷积神经网络相似的性能，这会极大地限制脉冲神经网络的应用。针对该问题，一种可行的解决方案是脉冲神经网络模型转换。该方案首先构建一个结构和规模上都与卷积神经网络类似的脉冲神经网络；然后通过卷积神经网络成熟的训练技术获得高性能卷积神经网络模型；最后通过特定的转换算法将卷积神经网络模型参数转换成脉冲神经网络参数，从而获得与卷积神经网络类似性能的脉冲神经网络模型。

现有的脉冲神经网络模型转换算法研究已经取得了一些非常有前景的成果。但由于两种神经网络之间内在机制的差异，脉冲神经网络模型无法与卷积神经网络模型一一对应，转化后的脉冲神经网络在识别精度、收敛时间等方面与实际应用之间还存在差距，同时现有算法只能获得浅层的脉冲神经网络。本论文针对上述问题，通过详细研究讨论不同转换算法与所得脉冲神经网络在识别精度、收敛时间等方面的内在关系，提出三种转换算法，获得脉冲神经网络的深度结构，为构建高效高性能的深度脉冲神经网络提供重要理论基础和参考设计。本文的主要工作与贡献如下：

(1)多强度深度脉冲神经网络模型转换算法

本文针对脉冲饱和问题，提出一种多强度的脉冲神经网络及其动态剪枝算法，通过降低神经元输出脉冲强度的限制，可以获得多强度大规模深度脉冲神经网络，并提高转换网络的收敛速度。具体来说，首先提出一种多强度的脉冲神经元模型，降低对神经元输出脉冲强度的限制；其次提出多强度脉冲神经网络结构，支持具有深度结构的脉冲神经网络转换；最后，针对深度脉冲神经网络中的大量运算冗余，提出3种脉冲神经网络压缩算法，在保持逼近精度不变的条件下，可以移除原始多强度神经网络中85%的运算操作。实验结果表明，本文提出的算法，在MNIST和CIFAR10数据集上，分别获得99.57%和94.01%的识别精度，较同期最好结果分别提升0.13%和3.16%；并且该网络可以在80个时间步内收敛，比同期的模型转换算法加速3.75倍。

(2)低延迟深度脉冲神经网络模型转换算法

本文提出限制输出预训练算法和错误脉冲抑制算法，在获得具有深度结构的转换脉冲神经网络的同时显著提高转换网络的收敛速度。限制输出预训练算法，通过在卷积神经网络训练过程中进行动态参数规范化，解决脉冲神经网络逼近过程中的脉冲饱和问题；错误脉冲抑制算法，将错误脉冲的抑制问题抽象化为一个线性规划问题，大大减少转换网络中的错误脉冲。实验结果表明，使用这两种算法的转换脉冲神经网络可在30个时间步内收敛，在CIFAR10数据集上取得的最佳逼近精度为94%。

(3)基于反向传播的极低延迟深度脉冲神经网络转换学习算法

本文提出基于反向传播的极低延迟深度脉冲神经网络转换学习算法，利用模型转换算法中两种神经网络之间的联系，使用反向传播算法学习转换网络中脉冲序列的时序信息中的有效特征，获得具有深度结构的脉冲神经网络的同时进一步降低转换网络的收敛时间。具体来说，首先分析总结使用反向传播算法训练深度脉冲神经网络所需满足的三个严苛条件；其次论证模型转换参数可以使脉冲神经网络获得在空间域上处理信息的能力，并设计一种参数初始化算法，使反向传播算法支持更深的脉冲神经网络训练，同时减小反向传播算法的训练迭代次数；最后，提出误差最小化算法以及修改的损失函数，进一步提升反向传播算法的性能。实验结果表明，本部分提出的算法，在MNIST和CIFAR10数据集上，分别将网络收敛时间进一步降低到4和10个时间步，比算法(2)分别提高7.5倍和3倍，同时保持较高的识别精度(分别为99.44%和 91.52%)。