③类脑学习与处理算法（软件）
神经形态模型是神经形态计算的重要组成部分，是在现有计算机硬件系统上实施对生物脑神经网络的模拟。
神经形态模型的基本组成单元是神经元模型，即模仿树突、轴突和突触结构的模型。脑神经元之间的通信依靠神经细胞膜电位的升降脉冲，借鉴该原理，研究人员提出了多种神经元模型，例如Integrate-and-Fire（I&F）模型、Leak Integrate-and-Fire（LIF）模型等。神经元模型越接近真实神经元的结构特性，其模型就越复杂，模型应用效果在原则上也会越好。
神经网络模型描述神经元突触的连接关系，一方面可以遵从生物原理，另一方面可与生物网络具有不同的拓扑结构。应用神经网络模型，不同的神经元和突触模型可组成多种多样的神经网络，从而形成种类丰富的神经形态模型。<sup>31</sup> 脉冲神经网络（Spiking Neural Networks，SNN）作为第三代神经网络，相较于目前应用效果较好的卷积神经网络（Convolutional Neural Network，CNN）和循环神经网络（RecurrentNeural Network，RNN）等第二代神经网络，更加贴近脑神经元信息传递方式。<sup>30</sup> 尽管SNN在结构上对硬件实现更友好，但训练存在一定难度，当前很多团队正致力于开发SNN监督式学习规则，但SNN的实际应用依然较少。
100