针对基于权重归一化方法的卷积神经网络（CNN）转换方法应用于事件流数据时准确率损失较大以及浮点网络难以在硬件上高效部署等问题，提出一种面向动态事件流的网络转换方法。首先，重构事件流数据并输入CNN进行训练，在训练过程中采用量化激活函数降低转换的准确率损失，并使用对称定点量化方法以减少参数存储量；其次，在网络转换中采用脉冲计数等价原理而非频率等价原理以更好地适应数据的稀疏性。实验结果表明，与使用传统激活函数相比，采用量化激活函数的脉冲卷积神经网络（SCNN）在N-MNIST、POKER-DVS和MNIST-DVS这三个动态事件流数据集上的识别准确率分别提高了0.29个百分点、8.52个百分点和3.95个百分点，转换损失分别降低了21.77%、100.00%和92.48%；此外，相较于基于权重归一化方法生成的高精度SCNN，所提量化SCNN在识别准确率相当的情况下可以有效节省约75%的存储空间，并且在N-MNIST和MNIST-DVS数据集上的转换损失分别降低了6.79%和46.29%。
