近年来,随着人工智能的不断发展,深度神经网络的模型越来越复杂,对计算和存储的要求也越来越高,这一发展现状对资源有限的硬件平台是一个巨大的挑战。而受神经形态计算启发的脉冲神经网络（Spiking Neural Network,SNN）通过模拟生物神经元的动态放电特性,采用基于事件驱动的处理模式可以使其以更低的功耗实现更高的计算效率。然而,由于目前SNN没有高效的学习算法和网络结构,造成在实际应用中性能表现差的问题。另外,不合理的脉冲编码方法也会影响到SNN学习的效果。针对以上两个问题,本文主要研究了SNN网络的脉冲编码方法和类脑的无监督学习算法。首先,针对SNN的编码方法进行了研究。由于常用频率编码方法带来的随机性会使单个脉冲携带信息的精确度不高,因此本文主要针对时间编码方法进行研究和改进。又因为首脉冲时间编码方法产生的脉冲过于稀疏,所以本文将其结合图像像素的差异性设计了一种新的时间编码方法——差异延迟编码。先通过首脉冲时间编码方法将图像中的每个像素点都转换为一个个精确的脉冲时间,然后再利用欧氏距离求得中心像素点与其8邻域内其它像素点的差异性,并将其作为延迟时间整合到8邻域内其它像素点的首脉冲时间上,最后将整合后的时间一一映射到中心像素的脉冲序列上。差异延迟编码方法将图像的像素信息转换为时间精确的脉冲序列,从而可以提高网络的稳定性。其次,在学习算法上根据视觉通路中神经元感受野的学习原理和连接结构,构建了一个基于脉冲时间依赖可塑性（Spike-Timing Dependent Plasticity,STDP）学习规则的SNN网络。由于STDP属于局部无监督学习算法,单独使用时学习效果不好,所以本文通过引入侧抑制机制使学习层中的神经元之间形成竞争关系。本文使用两种方法构建该侧抑制结构,一种是基于WTA算法的抑制强度不变的结构,一种是基于SOM算法的抑制强度随距离改变的结构。通过这种侧抑制结构使学习层中的突触权值可以有向地根据三脉冲STDP算法进行修正。最后利用MNIST数据集对构建的SNN网络进行了实验验证,实验结果表明STDP结合侧抑制结构可以改善网络的学习效果,提高网络的分类性能。