要研究大脑皮层神经元的各种功能就需要能够同时记录大脑皮层各个神经元的动作电位。在实际研究中,这种需求可以通过向大脑植入探针得以解决。然而植入大脑皮层的探针记录下来的神经元动作电位信号是探针周围的神经元产生的动作电位的混合信号,因此需要一种将记录下来的动作电位的混合信号分解为单个神经元动作电位并进行归类的分析方法,这种方法即称为神经元动作电位分类(Spike Sorting)。目前神经元动作电位分类的研究主要集中在改进神经元分类的算法上,以适应因为神经元动作电位信号采集设备发展带来的数据量增长的问题,并提高神经元动作电位分类的准确性和处理速度。然而随着神经元动作电位信号数据量的急剧增长,愈是复杂精确的算法,对神经元动作电位进行分类所需的计算量和能耗也愈发惊人,采用总线结构的片上系统或FPGA芯片来实现神经元动作电位分类将面临严峻的挑战。随着半导体技术的发展,片上网络(Network on Chip,No C)作为一种新的片上系统(System on Chip,So C)设计方法学迅速发展。片上网络的核心思想是将计算机网络技术移植到芯片设计中,其本质就是将集成在芯片上的多个处理核心按照一定的拓扑结构组成网络,各个处理核心通过该网络来进行通信。片上网络的通信方式解决了单一总线通信片上系统面临的全局同步和长延时问题。采用片上网络方法设计的片上系统各个处理核心之间并行通信,系统吞吐量大,扩展性好,因此片上网络是多处理核心片上系统最有前途的解决方案。在片上网络新兴发展的趋势下,采用片上网络的方法来设计用于神经元动作电位分类的片上多核系统,是应对迅猛增长的神经元动作电位信号数据量的一种可行的解决方案,为神经系统科学研究提供一种有效的分析手段,也为脑机接口的实现提供一线曙光。本文作为采用片上网络方法学来设计用于神经元动作电位分类的片上多核系统这一工作的前期部分,主要解决神经元动作电位分类程序向片上网络系统的任务映射问题。本文对选用的神经元动作电位分类算法进行了仔细分析,总结出了该神经元动作电位分类算法的任务图和各个任务的数据访问情况,利用任务映射算法对神经元动作电位分类程序进行了任务调度,任务映射和数据块映射,最后得到了该神经元动作电位分类算法在片上网络上执行哈尔滨工业大学工学硕士学位论文的一个任务映射方案。此外,针对可能存在的片上网络规模远大于任务图规模时导致的处理核闲置问题,本文提出了一个任务图扩展算法,将任务图的规模扩展到与片上网络相一致,以尽量减少闲置处理核。本文利用QUMU和system C搭建仿真平台,实现了神经元动作电位分类程序按照所得到的映射方案在仿真平台上的执行。实验表明,应用程序任务图扩展算法能够较好的改善程序执行时间,通过本文采用的任务映射算法生成的任务映射方案能更好地利用数据访问的局部性,减少数据访问的代价。