人工神经网络技术一直都是以生物神经系统为参考进行研究的,伴随着生物神经科学的不断发展进步,人们也不断地对人工神经网络技术进行改进与提升,近些年来,由于科学设备和技术的不断发展,生物科学家们对生物大脑进行了更深入的观察与研究,发现生物大脑具备更低的频率与功耗,更强的鲁棒性,更小的体积,更高的并行度以及更好的实时性。研究者们依据生物学家对生物神经网络的观察理解,提出了脉冲神经网络(SNN),它是一种利用离散神经脉冲信号对信息进行处理的人工神经网络,具备高度的实时性与良好的能效比,被人工神经网络研究者们称为第三代神经网络,SNN被提出后引起了世界各界的广泛关注,近年来一直处于高速发展之中。现有条件下,脉冲神经网络的实现都是采用软件编程的方法,将其运行在传统计算机上。但是这种采用软件编程实现的方法并不能体现出SNN的实时性以及高度的并行性等特点,而这正是SNN的大部分应用场景所需求的。并且在智能便携设备和物联网设备快速发展的当前环境下,人们要求处理器具备更低的功耗和更小的体积。基于上述原因,传统计算机对脉冲神经网络算法的处理性能已经越来越不能满足人类的需求,人们迫切需要一种能够对SNN算法进行验证及处理的平台。本文提出了一种基于STDP机制的可配置神经网络处理器平台,使用现场可编程门阵列(FPGA)进行开发设计,具备一定的通用性与可扩展性,其内部结构和参数可配置,可适用于大部分SNN及脉冲卷积神经网络(SCNN)算法的验证仿真,采用可复用的设计方式节约了大量硬件资源。并且对典型SNN算法进行了适用于硬件平台的工程化改进,并将改进后的算法用于对处理器平台性能的测试。本文首先介绍了文章的研究背景及意义并且进一步阐述了文章的结构及内容安排,其次介绍了脉冲神经网络的结构和特性,并且从学习机制、神经元模型、抑制机制三个方面对典型脉冲神经网络结构进行了分析。然后对本文中的神经网络处理器的设计需求和所需解决问题作出了分析,并且提出了解决方案,进一步阐述了整体结构与设计方案。另外对各主要功能模块的电路设计进行了说明,并对各模块及系统整体进行了仿真测试。最后为了验证了本设计的应用性能,针对一种典型SNN算法进行了分析,对其进行了适用于硬件平台的工程化改进,在最大化保留了算法精度的同时提高了计算能效与速度,大大节约了计算资源,并且在神经网络处理器上使用工程化改进后的算法对MNIST数据集进行识别应用。