海马是大脑的重要组成部分，其与人类的学习、记忆等功能紧密相关。由于海马结构复杂，建立功能网络研究其学习等功能是一种新的方法。实现对海马学习、记忆等功能的模拟是实现类脑计算的重要组成部分，而采用现场可编程门阵列(FPGA)实现海马功能网络是类脑计算的研究方向和难点之一，本文通过构建海马功能神经元网络模拟海马神经元的学习、记忆等功能，探究其网络结构与学习效果的关系，并采用FPGA实现该功能网络。
　　首先，根据海马的功能和特性，构建了海马功能网络模型。在理解海马结构及功能的基础上，以一个实验情景为原型，将漏积分放电(LIF)模型作为单神经元模型，结合突触可塑性和“胜者为王”规则，构建了三层前馈网络，实现了对海马神经元学习、记忆功能的模拟，通过分析发现所构建的网络具有相应的功能。
　　其次，研究了功能网络结构与网络学习能力的关系。为了进一步探究构建的海马功能网络的特性，分析了增加前馈网络的层数及网络中间层神经元的数量对网络特性的影响，发现网络层数的增加使得功能网络失去了学习能力，而中间层神经元数量的增加提升了功能网络的学习效果。
　　最后，基于FPGA类脑平台实现了海马功能网络，并进行了分析。本文给出了采用FPGA实现海马功能网络的构架，包括硬件、软件系统的结构和实现；采用流水线结构和无乘法器的实现方法解决了神经元网络的FPGA实现中的容量、乘法和并行计算等问题，提高了系统处理数据的速度，大幅度节省了网络对硬件资源的消耗。
　　本文的海马功能网络可为类脑计算的记忆等功能的实现提供一种方案。