神经形态计算的算法模型种类众多。从数据的表现形式上,这些模型可以大致分为人工神经网络(Artificial Neural Network, ANN)、脉冲神经网络(Spiking Neural Network, SNN),以及其他延伸出的具有特殊数据处理功能的模型。突触与神经元是神经形态算法的两类基本单元,分别负责信息处理和特征提取。相对突触来说,神经元模型的种类更多,而且都具有一定的非线性特征,例如McCulloch-Pitts, Sigmod, ReLU以及integrate-and-fire等。这既是特征提取的需要,也是神经网络训练的需要。 神经形态计算的硬件实现形式也非常多样。基于计算形式可以大致分为模拟、数字和混合信号三种。其中模拟计算方式广泛应用于生物启发计算模型,并常常和近似计算(approximate computing)与低功耗设计联系在一起。神经形态计算的数字电路主要包括现场可编程式门阵列(FPGA)和专用集成电路(ASIC)两种。混合信号神经形态计算系统则希望同时利用模拟电路的低功耗与数字电路的高精度特性,比如在计算中采用模拟形式而在通讯中采用数字或者脉冲编码形式。除了传统互补金属氧化物半导体(CMOS)技术外,一些新型纳米器件,诸如忆阻器(memristor)也被引入神经形态计算系统设计以提高计算效率。