随着CMOS技术的的更新,以及人类大脑内部组织研究需求的提高,人们已经可以将成百上千个微电极插入人脑来搜集脑神经电位信号。目前处理脑神经电位信号的方式是用一个包含微电极阵列和电脑主机的系统。搜集并处理更多来自脑神经元的动作电位信息,可以让人们更深入的研究人脑内部的结构,更准确的诊断以及治疗脑内疾病。由于插入脑部的微电极周围可以有很多的神经元,所以搜集到的信号是这些神经元的混合信号,在使用之前,需要将这些信号分类。然而,目前收集和处理这些数据时用一个微电极阵列和一个主机构成的系统。为了处理这些数据,需要在微电极阵列和上位机之间布置一个带宽很高的链路,同时要求主机上配置有大量的存储资源来存储原始数据。同时,由于目前的峰值电位分类算法都是在主机上用软件实现的,所需的时间比较长,无法满足快速得到处理结果的需求。从另一个方面说,CMOS技术的发展,允许我们在一个芯片上集成更多晶体管,使我们可以在一个芯片上实现更具有挑战性的计算任务。片上网络具有良好的并行计算能力,为了解决上面所提的几个问题,本文提出了一个本文在研究了现有神经电位分类算法的基础上,对现有的分类算法进行了总结修改,并提出了一个基于片上网络的Spike Sorting加速平台,该平台可以实时的处理3个通道搜集到的脑神经动作电位。每个通道都有自己独立的电路,各个通道之间互不干扰。我们对整个CMP(Chip Multi-processors)的各个模块分别进行了功能验证和综合,验证率达到了100%。经过试验得出,经过本平台处理之后的数据量比原始数据减少了50倍,不但降低了链路带宽的需求,也降低了对主机存储资源的要求。