自脑科学发展以来,人们就一直致力于重现具备人脑的规模和算力的计算系统,即基于计算神经科学的类脑计算。在传统的冯·诺依曼计算机上实现类脑智能难度大、能耗高、效率低,而神经形态系统有着接近人脑的信息处理机制,具有优秀的并行性、容错性和较低的功耗,有利于类脑计算的实现。FPGA的硬件可编程、高度并行计算的特点,可以充分发挥神经形态计算并行执行的优点,为神经形态计算的实现提供新的途径。本文提出了一种基于FPGA的大规模神经形态系统,完成了设计,验证,编译,并测试了相关功能应用。本文重点对神经元电路设计、神经形态系统架构设计、系统内部模块设计、功能验证与应用部署四个方面进行了研究,主要研究内容如下:（1）LIF神经元电路的设计和验证。脉冲神经网络的基本单元是脉冲神经元,对比多种脉冲神经元后最终选用LIF神经元（Leaky Integrate-and-Fire,LIF）作为本系统的神经元模型。对LIF神经元的数学模型进行简化得到适合数字电路实现的模型,引入参数共享技术后完成了单个神经元的数字电路设计。使用Verilog语言完成编写,完成编写后搭建UVM验证平台进行了仿真验证,最终得到结构简单、可靠性强、具备参数共享功能的LIF神经元模块。（2）基于LIF神经元的神经形态系统架构设计。以LIF神经元为基础,根据规模、功能、性能等指标的要求,进行神经形态系统的构建。系统设计包括功能划分、互联通信设计和顶层端口逻辑设计。把系统按功能划分为顶层控制模块、运算核与传输模块;互联通信设计决定了数据交互方式;顶层端口逻辑实现了系统和上位机的交互功能,规定了数据传输时序。架构设计完成后,得到了使用片外存储、具备良好可拓展性的神经形态系统的基本框架。（3）神经形态系统内部模块设计。依次完成顶层控制模块、运算核、传输模块的设计。运算核承担了神经形态运算功能,采用了参数共享技术和内核复用技术,大幅节省硬件开销;顶层控制模块用于控制系统运行;传输模块用于完成运算数据和参数的传输。把上述模块集成后,得到了完整的大规模神经形态系统。该系统包含128个物理神经元和最多1048576个虚拟神经元,神经网络规模可自由选择,神经元参数可自由配置,运算核之间自由连接,具备强大的兼容性,可作为硬件平台实现各种应用。（4）神经形态系统验证与应用研究。搭建UVM验证平台完成了整个系统的仿真验证,用Quartus和DC分别编译后得到资源开销。论述了系统对不同功能应用的兼容性,完成参数部署后把工程烧写到FPGA开发板上进行测试,并运行了手写数字识别应用,以PC为上位机完成了1056幅图片的识别,最终识别准确率为97.92%。完成了对脉冲神经网络和脉冲神经元、脉冲神经元模块设计、神经形态系统架构设计、系统内部模块设计的研究后,最终实现了高自由度、高兼容性、资源开销少的大规模神经形态系统。