类脑计算指的是通过模拟大脑中神经网络的组织结构以及工作方式来完成各种任务的计算方式。脉冲神经网络（Spiking Neural Network,SNN）是类脑计算的研究重点,其具有事件驱动、高度并行等诸多优势。类脑处理器作为类脑计算的核心运算部件,在学术界与工业界被广泛关注。一方面,类脑处理器具有低功耗的优势,在终端嵌入式领域非常具有竞争力;另一方面,类脑处理器很容易被扩展成大规模集群,在云端也具有巨大的潜力以及广泛的应用场景。类脑处理器主要由神经形态核以及片上网络组成。这种体系结构一方面是提高系统的可扩展性以及并行性,另一方面可以将计算模块和存储模块紧耦合,实现存算一体,缓解传统的冯·诺依曼架构的“存储墙”瓶颈。片上网络虽然有诸多优势,但同时存在传输延迟高、开销大的弊端。为了降低类脑处理器中片上网络的通信开销,本课题做了如下研究:1)提出了一种类脑处理器中的通信优化框架,可以有效降低脉冲神经网络在类脑处理器中运行时的通信开销。在软件层面,该框架能够保证SNN的性能不受损失;在硬件层面,该框架可以降低整个片上网络的通信延迟以满足SNN的实时性要求。通过我们框架的优化后,当LSM在类脑处理器中运行时,脉冲数据包的传输延迟满足了实时性要求,片上网络的功耗降低了5%,MNIST和FSDD的分类精度分别为92%和90%。2)构建了一种硬件感知的液体状态机（Liquid State Machine,LSM）网络生成框架,该框架在生成LSM时考虑具体的硬件结构,根据神经元之间的距离来产生突触连接,进而生成LSM网络。实验结果表明,通过本框架生成的LSM网络可以极大降低类脑处理器中核间通信开销以及存储开销。相比较于传统方法,突触的数量降低了94%,脉冲数据包的数量减少了78%,总执行时间降低了91%,平均数据包传输延迟降低了45%,数据吞吐率提升了2.6倍。3)提出了一种类脑处理器中片上网络的原型系统并用硬件实现。本课题采用片上网络（Network on Chip,No C）作为类脑处理器中的核间互连结构。该No C采用2D-Mesh拓扑结构,路由算法采用XY路由,仲裁算法采用轮转仲裁,并采用握手协议进行数据传输。实验结果表明,本课题设计的片上网络可以用于传输脉冲数据包。在100M Hz的频率下,No C的平均传输延迟为96个时钟周期。