神经网络是人工智能领域一直以来的研究热点,神经网络的一大缺点就是反复迭代带来的巨大运算量,加快神经网络模型训练的速度能节省大量训练时间。COStream数据流编程模型是数据驱动的并行执行模型,利用COStream实现神经网络模型的并行化对于提高其训练速度有着很好的实际意义。针对神经网络运算量大的问题,利用COStream数据流编程模型提供的并行化方式,结合神经网络模型中存在的数据并行和流水线并行的特性,设计并实现了基于COStream的三层全连接神经网络并行模型和LeNet-5卷积神经网络并行模型。三层全连接神经网络模型将每层节点的运算封装在COStream的composite中,通过splitjoin结构扩展成该层的各个节点,各层间用pipeline流水线连接。LeNet-5卷积神经网络模型是在多层卷积及池化后连接多层全连接层,其中卷积层用双层splitjoin结构嵌套扩展不同卷积核组和组内不同通道上的卷积核的卷积运算达到数据并行效果,卷积层、池化层和全连接层间同样用pipeline连接进行流水线并行处理。由于COStream采用的是分阶段的流水线调度,对于神经网络这类迭代过程中有数据依赖的运算模型,存在参数与数据批数不一致的问题,对此设计了组内同步组间异步的分组调度方法进行解决。实验以X86-64架构多核处理器为目标平台,对三层全连接神经网络模型和LeNet-5卷积神经网络模型并行程序在不同核数下的执行效果进行测试。实验结果表明了COStream对加速神经网络模型训练的有效性。