在脉冲神经网络模拟的研究领域,因当前的脉冲神经网络模拟器种类繁多,导致很多情况下模拟器之间很难进行模型迁移,使得模型无法跨平台验证,而PyNN作为至今已被广泛接受的SNN模拟器前端输入接口可以为提供统一的脉冲神经网络描述方式。由于每个模拟器在处理脉冲神经网络描述的方式、模拟器的网络拓扑、脉冲神经网络数据映射的方式不一致,多数新型模拟器很难直接使用PyNN作为其前端接口,所以一般会使用py Neuroml模块作为PyNN的解释器为模拟器提供统一的网络描述,该模块的主要功能是输出脉冲神经网络可视化NML文件,不具备模拟仿真的功能。使用py Neuroml模块作为生成网络的解释器存在以下问题:第一,py Neuroml模块的网络连接实现过程效率差,内存占用量大。在输出网络时,使得模拟器所需的网络参数需要通过解析NML文件,该过程效率极差;第二,py Neuroml模块无法直接对模拟器的功能进行调用,需要根据模拟器特性定义前端流程和数据映射方式。为解决以上问题,文本展开以下研究:（1）本文首先对脉冲神经网络连接结构的实现方式进行优化研究,通过对连接矩阵的稀疏化处理,定义了两种面向不同输出方式的网络连接矩阵。经过实验证明,使用本文定义的连接矩阵较使用PyNN原本的连接矩阵生成脉冲神经网络可以缩短一个数量级的生成时间,降低约3倍的内存占用量。提高了网络生成效率后,本文其次定义了获取Population及Projection参数接口,通过把参数信息以列表方式存储,避免了通过解析NML的方法获取模拟器所需的网络参数,提高了网络输出的效率。（2）最后本文对类脑计算机的前端设计进行研究。首先,在本文定义的连接矩阵的基础上,提出了对脉冲神经网络实现过程中的Projection、Connection两个层次的并行算法,提高了整体的模拟器前端网络描述的效率。最后,根据类脑计算机的拓扑及数据表格式,设计了一种数据的映射方法,包括数据转换及部署。综上,设计了高效的类脑计算机前端。经过实验证明,本文提出的并行算法可以在内存理想的情况下,可以缩短一个数量级的;本文设计的类脑计算机前端在经过模拟仿真后,模型准确性得到验证。解决上述问题后,实现了类脑计算机与PyNN的对接,为类脑模拟器设计出了高效的前端设计,同时也为其他无法直接连接PyNN的模拟器提供了参考。