近年来，人工神经网络的研究重点逐渐转向更具生物真实性的脉冲神经网络。随着神经科学研究的进展，很多研究者认为基于脉冲精确定时的大规模脉冲神经网络是脑进行信息处理的基础。本项目从神经发育和突触可塑性的研究成果出发，研究了进化大规模脉冲神经网络建模和计算的关键技术。(1)以人工基因组模型为框架描述基因调控网络，用基因表达的动态特性表示细胞命运特化的发育过程，提出了一种进化大规模脉冲神经网络的发育方法。该方法的优点在于可以快速有效地发育生成脉冲神经元、神经连接和突触可塑性。相应的进化实验突现了以神经驱动的自主智能体的智能行为，并验证了该方法对大规模脉冲神经网络的进化能力。(2)应用脉冲序列核函数定义和突触时间依赖可塑性机制，研究了基于时间编码的脉冲神经网络监督学习算法，将该提算法应用于脉冲序列的学习任务和非线性模式分类问题，取得了较高的学习精度和良好的适应能力，能够有效地处理复杂的时空模式学习问题。(3)为了提高对复杂问题的求解能力，应用教师/学生模式研究了进化大规模脉冲神经网络的文化学习方法，结果表明文化学习提高了种群进化的整体适应值，并比较了文化学习过程中垂直文化传递和水平文化传递对脉冲神经网络进化性能的影响。(4)应用大规模脉冲神经网络的进化与学习方法，研究了图像分割和图像识别的计算模型。