随着大数据时代的到来,机器学习、人工智能等技术使系统的计算能力更加高速、智能化,而神经网络是实现这些技术的关键手段之一。光学神经网络是以光作为计算方式的一种神经网络,和电神经网络相比具有更高速的传输能力以及超并行的处理能力。目前,国内外研究的光学神经网络体积较大,速度受限,并且没有反馈,且输出受输入影响较大。本课题研究了两种高速全光计算的脉冲神经元以及由它们构成的多层光学脉冲神经网络。该多层全光脉冲神经网络,具有体积小、速度快,抗噪性能强以及可微阈值功能等特点。本文主要研究工作概括如下:（1）本文研究设计了一种新型的基于光纤Sagnac环的全光可微阈值脉冲神经元,分析了其非线性传输性能,该脉冲神经元是内部无源的,统一的外部泵浦源。（2）为了进一步减小系统器件的尺寸,降低系统的功耗,本文研究设计了基于光波导芯片的全光可微阈值脉冲神经元,分别采用时域有限差分法（FDTD）和光束传播法（BPM）数值分析了这种全光可微阈值脉冲神经元的工作特性,并与其它光学神经元进行了对比。同时,也设计了一种更接近人脑模式的全光可微阈值泄漏积分触发（LIF）神经元,并且将其应用于神经形态识别模型中。（3）本文在以上设计的基础上相应的提出了两种神经元级联的光学脉冲神经网络（SNN）方案,并将该神经网络模型应用到MNIST数据集识别中。随后以Si材料波导为例研究了波导损耗带来的神经网络运算误差,提出一种改进措施。研究表明:所设计的全光可微阈值脉冲神经元工作波长为1550nm,其在低功率（?w）状态下工作,且具有可微功能的。设计的光波导可微阈值脉冲神经元,尺寸小（90?m×20?m）,抗干扰能力强,响应时间短（ps）的特点。本文设计的LIF神经元,接近人脑模式,完成的神经形态识别结果正确。本文还分析了器件阻抗对光神经系统带来精度的影响。本文的研究结果为全光神经网络实现提供了一个有效的设计思路及方案。