地址事件表示（Address Event Representation,AER）视觉传感器在采集视觉信号时仅检测像素的亮度变化,因而具有低功耗、低延迟和宽动态范围等优点,在机器人、自动驾驶、军事、航天等领域有着非常重要的应用价值。AER传感器输出的事件流具有稀疏性和异步性,传统基于图像帧的计算机视觉方法无法直接应用。对于AER数据的处理,需要研究专门的事件流数据表示方法和目标分类算法。在众多事件流数据表示方法中,基于LIF（Leaky Integrate-and-Fire）神经元峰值膜电压进行运动符号检测的软事件分割方法,能较好地适应不同运动目标,但仍然受到噪声事件的影响;在目标分类算法方面,基于Tempotron学习规则的脉冲神经网络（Spiking Neuron Networks,SNN）具有结构简单、运算效率高的特点,非常适合用于进行事件流目标分类,但由于每个神经元仅允许发放一次脉冲,网络的抗噪性较差。为此,本文研究了LIF神经元膜电压最大值的分布特性,提出一种带阈值机制的运动符号检测方法,在过滤噪声事件的同时提高计算效率;研究了Tempotron学习算法中噪声对神经元响应的影响,提出一种具有多核学习功能的MK-Tempotron学习算法,进一步提高目标分类的抗噪性能。本文的主要研究内容包括:（1）提出带阈值机制的运动符号检测。研究运动符号检测中LIF神经元膜电压最大值的统计分布特性,在此基础上,引入阈值机制,使得仅当事件流片段中的峰值膜电压高于阈值时,该片段才被保留,否则丢弃,在过滤噪声事件的同时提高运算效率和分类精度。（2）提出多核学习算法MK-Tempotron。针对不同的输入脉冲模式下噪声对神经元输出响应的影响,使用不同的核函数调整膜电压,使得突触权重朝着正确发放的方向改变,提升算法的抗噪性能。（3）整合事件流数据表示模块、特征提取模块和目标分类模块,构建基于MK-Tempotron的事件流目标分类系统。对所提方法在AER数据集上进行实验验证。首先,在MNIST-DVS数据集上,分别对改进前后的运动符号检测进行比较,验证阈值机制的效果;然后,在AER Posture数据集上附加随机膜电压和随机脉冲抖动噪声,对Tempotron和MK-Tempotron进行比较,验证MK-Temptron的性能;最后,在4个流行AER数据集上,对本文分类系统和现有先进方法进行比较,验证系统性能。实验结果验证了本文方法在提高分类精度和抗噪性能等方面的有效性。