Este trabalho propõe a implementação da Causalidade de Granger utilizando Redes Neurais de Spiking (RNSs). A ideia principal é detectar causalidade entre séries temporais assumindo que a previsão de uma série temporal é mais precisa considerando as informações da outra. Para isso, pretendemos construir dois modelos de regressão usando RNSs para prever o futuro da série temporal dependente (nosso alvo), usando as amostras passadas dela e amostras passadas da série independente (nossa série causa). As Redes Neurais de Spiking são consideradas a terceira geração das Redes Neurais Artificiais, e como seus ancestrais foram desenvolvidas inspiradas no comportamento biológico do cérebro humano, utilizando a topologia de neurônios interconectados. No entanto, ao contrário de suas antecessoras, elas não são ativadas a cada ciclo de aprendizagem, mas apenas quando o potencial de membrana do neurônio excede um determinado limiar, tornando-a mais eficiente em termos de energia qundo há implementações em hardware. Sendo capazes de capturar aspectos temporais dos dados, as RNSs mostraram-se eficientes ao trabalhar com séries temporais em tarefas de regressão e classificação.