脉冲神经网络（Spiking Neural Network, SNN）的鲁棒性受多种因素影响，尤其是困难样本，噪声干扰等因素容易使模型在学习时出现偏差，导致模型鲁棒性下降。因此，如何提高SNN的鲁棒性成为研究热点。本文提出一种自适应鲁棒脉冲神经网络（Adaptive Robust Spiking Neural Networks，AR-SNN）模型，该模型包括脉冲-门控线性单元（Spiking-Gated Linear Unit，S-GLU）、自适应-前K损失（Adaptive-TopK Loss， A-TopK Loss）、脉冲-多层感知机S-MLP（Spiking-Multilayer Perceptron，S-MLP）三个模块。首先，引入门控机制作为预处理层，通过对门控线性单元（Gated Linear Unit, GLU）进行改进，减少线性层数量，构建S-GLU模块。其次，提出A-TopK Loss，根据累积损失的比例计算总损失中前90%损失所对应的样本的平均损失作为最终损失。最后，采用自监督学习策略，以多层感知机（Multilayer perceptron，MLP）为解码层，构建S-MLP去噪网络，重建原始数据。在SHD语音数据集上的实验结果表明，S-GLU模块增加了模型对关键信息的关注，并减少了错误分类的发生；A-TopK Loss使模型自动聚焦于损失较大的样本，提升了其在复杂数据上的学习能力；S-MLP增强了网络的特征提取能力，在噪声测试中显示出对输入扰动具有一定鲁棒性。AR-SNN模型的性能优于原始模型及其它SNN模型，能够有效提升SNN的鲁棒性。