В дисертації досліджені та побудовані самонавчальні спайк-нейронні мережі для розв'язування задач інтелектуального аналізу даних. Також створено нові методи нечіткого кластерування даних на основі гібридних самонавчальних спайк-нейрон-
них мереж, які дозволяють ефективно обробляти дані за умов попередньої та поточної невизначеності - коли кластери оброблюваних даних перетинаються, мають складну форму або їхня кількість змінюється в часі. Запропоновано нечіткий рецепторний нейрон та на його базі зсинтезовано архітектуру шару фазифікування вхідних даних, який дозволяє враховувати на рівні архітектури мережі попередні знання про розв'язувану задачу. Для запропонованих гібридних спайк-нейронних мереж удосконалено метод самонавчання на основі правила "переможцеві дістається більше", що забезпечило підвищення швидкості обробляння данних. Також зсинтезовано аналого-цифрову архітектуру спайк-нейронної мережі в термінах Лапласового перетворення.
Проведено експерименти з розв'язування низки практичних задач, на основі яких показано ефективність застосування запропонованих спайк-нейронних мереж.