稳态突触可塑性（Homeostatic Synaptic Plasticity）是一组经验依赖的突触强度特定变化的可塑性机制，对于大脑学习和记忆具有重要作用。其通过动态调节突触强度来稳定神经元或回路活动。在细胞层面，研究表明，若单个神经元能够在特定时间内评估其活动强度，并据此动态向上或向下调整其突触权重，以使活动水平接近预定义的设定值，那么即使面临突触强度和连通性的变化，网络活动也将展现出稳定性。

同时，新皮层神经元发现突触缩放机制，作为稳态突触可塑性的一种表现形式，能够调整与神经元相关的所有突触的强度，通过倍数放缩保持激励间的相对强度差异。稳态突触缩放一般通过调节AMPA受体在突触处的传递或保留来调制连接强度。除了全局乘性调节，突触缩放还可以通过突触特异性过程触发，从而实现对突触强度的局部控制。

脉冲神经网络(SNN)被誉为第三代神经网络，具有丰富的时空动力学特性。在SNN中，神经元通过采用脉冲通信、事件驱动，仅对输入脉冲事件作出响应，具有高效的资源利用率。

尽管SNN侧重模拟生物神经特性，但大部分模型缺乏复杂的动力学特性和突触变化的自适应性，忽视了这种缩放机制的作用，这限制了SNN的学习效率和潜在应用。将稳态突触缩放机制有效整合到SNN的学习范式中，仍是一个具有挑战性的问题。尽管一些研究将该机制融入SNN，通过强约束引导网络活动趋近于设定点，但限制了学习的灵活性。近年来，基于梯度学习的方法在SNN中广泛应用，实现了更高的性能。然而，突触权重在每个训练周期中是静态的，这使得SNN在受到扰动或连续性场景中表现脆弱。因而在抗扰动性和持续学习等任务中表现不佳。