La red neuronal de impulsos (SNN) ha atraído la atención de muchos investigadores debido a su bajo consumo de energía y fuerte bioinspiración. Sin embargo, cuando se utiliza el método de conversión de red para resolver la dificultad del entrenamiento de red causada por su tiempo de inferencia discreto y demasiado largo, puede obstaculizar la aplicación práctica de SNN. Este artículo propone un modelo novedoso llamado SNN con Potencial de Membrana Inicializado y Compensación de Codificación (IC-SNN) para resolver este problema. El modelo se centra en el efecto del potencial de membrana residual y la codificación de tasa en el SNN objetivo. Después de analizar el error de conversión y la pérdida de información causada por el método de codificación bajo el bajo paso de tiempo, proponemos un nuevo método de configuración de potencial de membrana inicial y un esquema de compensación de codificación. El modelo puede permitir que la red aún logre una alta precisión bajo un bajo número de pasos de tiempo al eliminar el potencial de membrana residual y los errores de codificación en el SNN. Finalmente, los resultados experimentales basados en los conjuntos de datos públicos CIFAR10 y CIFAR100 también demuestran que el modelo aún puede lograr una precisión de clasificación competitiva en 32 pasos de tiempo.