脈沖神經網絡（SNNs）以稀疏脈沖時間編碼、異步事件驅動的方式天然地適合處理事件相機輸出的事件流數據。為了提高現有的仿生分層脈沖神經網絡對事件相機對象的特征提取和分類性能，本文提出一種基于生物突觸可塑性的仿生分層脈沖神經網絡事件相機對象識別系統。該系統首先基于脈沖神經元電位對原始事件流進行自適應分割以提高系統計算效率，然后使用基于生物突觸可塑性的仿生分層脈沖神經網絡對事件流數據進行多層的時空特征提取并分類。在基于Gabor濾波器的事件驅動卷積層提取初級視覺特征之后，網絡使用基于無監督脈沖時間依賴突觸可塑性（STDP）規則的特征層提取頻繁出現的顯著特征，以及基于獎勵調節STDP規則的特征層學習診斷性特征。本文提出的網絡在四個基準事件流數據集上的分類精度均優于現有的仿生分層脈沖神經網絡，并且本文方法對于較短的事件流輸入數據也有很好的分類能力，對輸入事件流噪聲也具有較強的魯棒性。綜上，本文提出的網絡能夠提高該類網絡對事件相機對象的特征提取和分類性能。