随着对大脑结构的深入研究，每个脑区的功能都有部分定性的结论。而在神经科学家的努力之下，构成各个脑区的生物神经元和生物神经元之间的突触活动模式，也有了初步的数学表达。鉴于脑中神经元不仅数量较为庞大，而且种类相当繁多，所以一直以来生物神经元如何在各个脑区中组织并发挥相应的作用都是一个未解的难题。它的解决将促进对Human Level AI的研究，同时也会对通用型的人工智能系统的实现有所帮助。而且在解决该难题中产生的结论也能和生物神经系统的研究结论相互启发和相互印证。

常识知识处理被人工智能科学家认为是实现Human Level AI的关键，是通用人工智能系统的所应具备的基本认知能力。常识知识是个人对于社会的运行规则和自然环境的变化规律的认识，是个人知识体系的基础，对个人做出的选择有潜在的影响。通过计算建模的方法提出人脑如何利用最基本的神经元组件和突触学习法则以及脉冲神经网络处理常识知识，对于构建类脑的语义理解系统，使机器真正理解人类语言具有较高的参考意义。

本文主要提出了突触衰减型和突触生长型脉冲神经网络这两种脉冲神经网络，并把它们用来处理基于属性的知识归纳、传递性关系推理和概念化规则生成这三个常识知识任务，而且均取得了预期效果。此外，我们在ConceptNet和百度百科三元组知识库上面进行了相应的实验，得到了它们在较大数据量情况下处理效果,并总结了潜在的问题和未来的研究方向。

本文的主要创新是给出了三个常识知识任务的数学定义和设计了两种脉冲神经网络来实现这三类常识知识的处理。这些脉冲神经网络能够同时解决三个不同的任务，表明它们可以成为用于处理常识知识的类脑脉冲神经网络计算模型的核心组件。