摘要： 基于神经网络实现的仿生识别系统不仅存在输入尺度限制问题,还由于数据格式的差异不兼容现有解决方案.针对此问题,提出用于仿生识别系统的3种不同多尺度输入解决方法,分别为基于输入事件的缩放法,基于动态窗口的多尺度池化法以及一种新的基于池化层特征的特征缩放法.实验基于相同的前馈分类系统,进行各方法的资源消耗和系统识别率对比.结果表明,多尺度池化法对应的权值数仅为其他两种方法的3.83%,但识别率较低;相比事件缩放法,所提出的特征缩放法能够提升识别率5.54%,算法执行次数减少59.16%,适用于仿生识别系统.