شبکه های عصبی اسپایکی که به عنوان نسل سوم شبکه های عصبی شناخته شده اند بسیار قوی تر ازشبکه های غیر اسپایکی می باشند. به طوری که این شبکه ها می توانند اطلاعات زمانی را در سیگنال هایشان کدگذاری کنند. اما با این وجود به قواعدی برای پلاستیسیته ی سیناپسی نیاز دارند که به واقعیت بیولوژیکی نزدیک تر باشد. این نسل جدید از مدل های محاسباتی توانایی پردازش اطلاعات پیچیده را دارد. یکی از کلاس های این نسل از شبکه ها شبکه های عصبی اسپاکی تکاملی (esnn) می باشد که از مکانیزم یادگیری مرتبه- اولویت بدون تکرار استفاده می کند. یکی از کاربردهای شبکه عصبی اسپایکی تکاملی بازشناسی تصویر می باشد که در این تحقیق با استفاده از این شبکه و الهام از سیستم بینایی انسان و مدل سازی آن با فیلترهای گاوسین و گابور به آموزش و تست شبکه جهت بازشناسی تصویر پرداخته ایم. از مزایای این شبکه می توان به آموزش بدون تکرار ،سرعت آموزش بالا ی آن و قابلیت تکامل اشاره کرد؛ به گونه ای که شبکه می تواند پس از اتمام فرایند آموزش الگوهای جدید را از طریق ایجاد نورون های خروجی جدید آموزش ببیند. روش پیشنهادی در این پژوهش به بهبود عملکرد شبکه در برابر نویز انجامید. روش پیشنهادی بر مبنای تغییر نحوه ی محاسبه ی ضرایب وزن نورون فاز فراخوانی می باشد.انجام شبیه سازی توسط نرم افراز متلب بر روی تصاویر پایگاه داده orl صورت گرفته شد. جهت ارزیابی روش پیشنهادی، این روش با روش مرسوم شبکه عصبی اسپایکی تکاملی مقایسه گردید و نتایج نشان دهنده افزایش قدرت تشخیص شبکه می باشد. برای نمونه درصد تشخیص صحیح شبکه مرسوم به ازای 40درصد نویز 78درصد ، و در روش این مقدار به 89درصد رسیده است که درصد قابل قبولی می باشد.