在人工智能的研究领域中,随着神经科学家对人脑的不断探索,人工神经网络技术正在不断的进行着改进与提升。近年来,由于科学设备和技术的不断发展,生物科学家们对生物大脑进行了更深入的观察与研究,发现生物能够快速响应外界的刺激是因为生物神经网络的信息传递依赖于神经元发放脉冲的具体时刻,在此背景下提出了一种新型的人工神经网络——脉冲神经网络(SNN),由于其与生物神经元机制的高度吻合性,脉冲神经网络迅速成为世界各界的研究热点。当前基于SNN网络的研究项目主要还是以软件算法仿真为主,但是采用计算机编程实现的方法并不能完全发挥SNN网络中低功耗、高性能以及高并行计算的特点。虽然工程师们已相继开发出了各种可以模拟SNN网络的仿真器,然而目前基本上都缺乏可扩展的体系结构,无法实现对网络编程扩展的要求,而这一要求对正处于研究发展过程中的脉冲神经网络的仿真与验证是及其重要的。基于上述原因,传统计算机已经越来越不能满足脉冲神经网络算法的处理性能,人们迫切需要一种能够对SNN算法进行验证及处理的平台。本文针对脉冲神经网络(SNN)设计了一种基于事件驱动的可编程、可扩展的并行体系架构,其设计思想基于传输触发(TTA)体系结构。其特点是将神经元看做专用运算处理单元,通过信号传递网络为专用处理单元传输数据并实现网络中的运算,由于TTA体系结构具有并行度高、扩展性强、指令集简单等特点,故所设计的SNN处理器具有较强的通用性和扩展性,其神经元模型参数与网络结构皆可配置。系统采用现场可编程门阵列(FPGA)实现,可以提供高性能的并行运算且可灵活支持大规模SNN模型的模拟仿真。根据网络的处理需求,通过专用的神经元处理单元来计算SNN,考虑到FPGA中有限的硬件资源,SNN处理器中神经元通过时分复用的方式实现脉冲神经元阵列的扩展,这种实现方法可以节省大量的硬件资源,显著提升SNN网络规模。本文旨在提供一种工具,使得SNN的模型设计相对于在CPU/GPU架构上可以更快实现,但相对于定制的神经形态芯片要便宜很多。此外,系统可编程、可扩展的特点使得所设计的处理器可以适用于当前大部分SNN/SCNN算法的测试验证,这在计算神经科学以及神经形态工程学方面具有潜在的应用价值。