神经网络经过漫长的发展，目前共有三代，分别是：
第一代神经网络
mcullochPitt感知机。 执行阈值运算，输出数值(1，0 )。
第二代神经网络
基于sigmoid单元或修正线性单元(ReLU )添加了连续非线性，从而可以计算一组连续的输出值。 第二代神经网络也是目前使用最广泛的网络算法，如VGG16、ResNet等DNN都是第二代网络。
33558www.Sina.com/
它主要使用“联合放电”(integrate-and-fire )型尖峰神经元，通过脉冲交换信息，因此称为第三代神经网络。 第二代和第三代神经网络之间最大的脉冲神经网络（SNN）属于信息处理性质。 第二代神经网络使用real-value (例如，信号幅度)并使用脉冲(在SNN中为信号的时间)来处理信息。 SNNs的神经元单元仅在接收或发出尖峰信号时激活。区别
和传统的人工神经网络一样，脉冲神经网络同样可以分为三种拓扑结构。 它是前馈型脉冲神经网络、递归型脉冲神经网络、混合型脉冲神经网络。
SNNs最大的优势是因此它是事件驱动型的，因此可以使其节省能耗。今天，我们有相当成熟的神经形态传感器来记录环境的实时能够充分利用基于时空事件的信息。 可通过结合SNNs的时间处理能力来实现超低功耗的计算。 实际上，与传统的DLNs中使用的帧驱动方法相比，SNNs通过将时间作为附加输入维度稀疏地记录有价值的信息，实现高效的SNNs框架，从而实现视觉光学
但SNNs目前主要受限于缺乏相应的训练、学习算法。 脉冲型神经网络学习方式主要有无监视学习(unsupervised learning )、监视学习(supervised learning )、强化学习(reinforcement learning )等
另外，SNN还受限于基于脉冲的数据可用性，理想情况下要求SNNs的输入是具有时间信息的序列，但SNNs训练算法的识别性能在CIFAR和ImageNet等现有静态图像的数据集上进行评价。
SNN是广阔的蓝海领域，具有巨大的潜力和价值，相信在今后的研究中，SNN会不断在实际应用中崭露头角。