芯片技术的飞速发展使得在单一芯片内集成多个处理单元成为可能,片上网络(Network-on-Chip,No C)被认为是现代多核系统的互联通信架构,它在通信效率、并行性和功率效率等方面优于传统总线。神经网络已被广泛应用于人工智能应用当中,例如图像处理,语音识别,机器翻译等,当代的人工神经网络包括数十层和数百万个参数,神经网络愈加复杂,计算量急剧上升,使用常规的传统计算机会花费大量时间。为了解决这些问题,人们通过改进通用芯片的结构,研发专用的神经网络加速器,也称为人工智能芯片来加速神经网络。由于神经网络的神经元之间不仅存在着复杂的互连而且还有密集的计算和通信,现代神经网络加速器多为由大量的处理单元构成,它们之间的通信架构采用了片上网络,来实现神经网络之间的数据传输。因此,研究片上网络的各个方面成为优化基于片上网络的神经网络加速器的重要方向。研究基于片上网络的神经网络加速器的过程中,本文主要从片上网络的映射、拓扑结构来优化基于片上网络的神经网络加速器。重点研究了基于三维片上网络的映射算法,提出了将混合混沌大爆炸算法来解决三维片上网络映射问题,并与经典的遗传算法和粒子群算法做对比,无论是在经典的任务图映射下还是神经网络拓扑映射下,该算法都能够有更快的收敛速度,并且降低功耗。在此基础上,本文提出将神经网络加速器应用于3D Mesh No C拓扑结构上,与基于2D Mesh No C拓扑结构的神经网络加速器相比,能够有更低的功耗,同时使用了混合混沌大爆炸映射算法能够使神经网络映射的功耗进一步降低。