В дисертаційній роботі розроблені на основі самонавчанної спайк-нейронної мережі методи кластерування даних за умов попередньої та поточної невизначеності, які забезпечують підвищення швидкості обробляння даних. Запропоновано гібридну самонавчанну спайк-нейронну мережу; нечіткий рецепторний нейрон; аналого-цифрову архітектуру базової самонавчанної спайк-нейронну мережу на основі Лапласового перетворювання, що дозволило викласти функціювання біоподібних нейромереж у термінах класичної теорії автоматичного керування. Удосконалено самонавчанну багатошарову спайк-нейронну мережу та метод самонавчання спайк-нейронної мережі.