人工智能和脑科学的研究正处于快速发展阶段,从脑科学研究的新视角探讨脑启发的人工智能是目前科学研究的一个重要方向。类脑计算是高度模仿人脑信息处理机制的新型运算范式,可以有效提高类脑智能系统的性能。脉冲神经网络中神经信息采用精确定时的编码方式,使其更有利于从模型计算角度理解大脑信息处理机制。随着研究者们对脉冲神经网络研究的逐渐深入,网络规模逐渐增大使得网络模型的计算量成倍增长,导致大规模深度脉冲神经网络在缺乏硬件加速支持的冯·诺依曼结构计算机软件上仿真效率过低,难以对庞大的网络模型进行高效的模拟。因此,在充分结合现场可编程门阵列（Field Programmable Gate Array,FPGA）的高并行特性后,本文提出了一种多路时分复用结构（Multichannel TimeMultiplexed Architecture,MTMA）来实现高效的深度脉冲神经网络硬件架构,并基于神经形态芯片建立了威斯康星州乳腺癌诊断数据分类模型,本文的主要研究内容如下:（1）通过对脉冲响应神经元模型的分析,设计并实现了基于坐标旋转数字计算（Coordinate Rotation Digital Computer,CORDIC）的脉冲响应神经元FPGA数字电路。首先,对整个系统的硬件实现中用到的加/减运算、累加运算和乘法运算进行了快速准确的硬件映射。其次,通过改进CORDIC实现了脉冲响应神经元模型中的指数函数,改进CORDIC不仅保证了数据计算的准确性,还很大程度上节约了硬件资源。最后,在已经实现的运算器模块基础上实现了脉冲响应神经元模型的FPGA数字电路。（2）考虑大规模脉冲神经形态硬件实现的低能耗需求和芯片面积的限制,设计了多个神经计算单元的多路并行时分复用结构。首先,针对深度前馈脉冲神经网络结构,结合串行计算与并行计算的优缺点,提出了多神经计算单元并行的MTMA,并设计了基于MTMA的深度脉冲神经网络硬件整体结构。其次,对基于MTMA的深度脉冲神经网络硬件结构的整体工作流程进行了数字化设计,在此基础上成功实现了4种多路时分复用深度脉冲神经网络的FPGA数字电路。最后,对4种深度脉冲神经网络硬件系统进行了硬件资源和运行时间的对比,经过对比分析,8路时分复用深度脉冲神经网络硬件系统在硬件资源和运行时间上表现出优秀的性能。（3）将数据集的样本特征编码为脉冲序列,提出了基于8路时分复用结构的神经形态芯片模式分类模型,并测试了该分类模型在威斯康星州乳腺癌诊断数据集上的分类性能。首先,应用基于反馈对齐机制的深度脉冲神经网络监督学习算法训练网络,得到突触权值。其次,将训练好的突触权值固化在8路时分复用结构的神经形态芯片上。最后,使用8路时分复用结构的神经形态芯片模式分类模型对威斯康星州乳腺癌诊断数据进行了分类实验,得到训练集的分类准确率为84.58%,测试集的分类准确率为83.63%。基于神经形态芯片的分类模型与软件系统仿真的分类结果一致,说明多路时分复用深度脉冲神经网络硬件系统具有准确的计算能力。本研究提出了多路时分复用深度脉冲神经网络硬件实现方法,并在FPGA上进行了数字实现。通过相关性能比较与分类准确度的实验,充分验证了所提出的多路时分复用方法可以为神经形态硬件系统的研究提供思路。