脉冲神经网络（SNN）是一种人工神经网络，比传统神经网络更紧密地模拟生物神经元的行为。与使用连续数值（如激活水平）处理数据的标准人工神经网络（ANN）不同，SNN 通过称为“脉冲”的离散电信号事件进行通信。这些脉冲发生在特定时间，这使得 SNN 能够将信息编码在信号的时序和频率中。这种方法灵感来自于生物神经元发射动作电位的机制，使得 SNN 特别适用于涉及时序数据或需要高能效处理的任务。
SNN 由通过突触连接的神经元组成，与 ANN 类似，但在操作方式上存在关键差异。SNN 中的每个神经元随时间积累输入脉冲，当其内部状态达到阈值时，就会向其下游神经元发射一个脉冲。这种机制通常使用 Leaky Integrate-and-Fire（LIF）模型等方程建模，该模型考虑了神经元的膜电位及其逐渐衰减。SNN 中的突触也可以通过 Spike-Timing-Dependent Plasticity (STDP) 等规则调整其强度，即突触前和突触后脉冲的时序决定了连接是增强还是减弱。例如，如果一个神经元在另一个神经元之前放电，它们之间的连接可能会增强，从而增强数据中的因果关系。
SNN 应用于时序和能效至关重要的领域，例如机器人、神经形态硬件和实时传感器处理。像英特尔的 Loihi 或 IBM 的 TrueNorth 等神经形态芯片就是为了高效运行 SNN 而设计的，它们利用其事件驱动的特性来降低功耗。然而，训练 SNN 仍然具有挑战性，因为传统的反向传播算法不容易应用于基于脉冲的信号。开发者通常使用替代梯度（surrogate gradients）或将 SNN 转换为等效的 ANN 模型进行训练，然后再部署到神经形态系统上。尽管存在这些障碍，SNN 在低功耗、实时任务方面提供了独特的优势，例如处理基于事件的相机数据或在机器人技术中构建自适应控制系统。研究仍在继续改进训练方法并将 SNN 与传统的机器学习框架集成。