目前,在日益提升的计算力与海量的标注数据的推动下,以深度学习为代表的人工智能实现快速的发展,但在其高准确率的背后也存在着通用智能水平弱,计算力依赖度高等局限性。以第三代人工神经网络-脉冲神经网络（Spike neuron network,SNN）为代表的类脑计算借鉴了大脑的高效率和低能耗的计算特点,被认为是有望解决人工智能问题的重要途径。由于SNN的快速乃至实时的仿真需求以及明显的分布式计算特征,大规模分布式集群被作为主要的类脑平台构成方式。针对分布式类脑平台,SNN工作负载与计算平台的不匹配问题会导致专用类脑系统的计算能效甚至还不如通用计算机系统。因此,如何快速完成对基于类脑平台的SNN案例负载特性分析,实现案例与平台之间的完美匹配与合理映射,成为当前研究与优化类脑体系结构所需面临的棘手问题之一。为此,本文搭建了100块PYNQ-Z2开发板构成分布式集群作为实验硬件平台,选取SNN仿真软件NEST作为负载研究对象,开展了SNN负载特性分析、SNN工作负载自动映射以及针对高能效PYNQ集群平台的负载评估与分析三个部分研究工作。（1）分析了SNN工作负载特性并为其建立负载模型,针对NEST仿真器进一步实例化了SNN的内存、计算和通信负载模型,凭借具体的负载数据来说明承载SNN案例的计算平台所面临的负载情况。（2）基于负载实例化模型,设计并实现了一种SNN工作负载的自动映射器（Workload Automatic Mapper for SNN,SWAM）。SWAM整体包含三个部分设计:量化设计、映射专用脚本设计和自动化设计。量化设计通过MPI量化程序和基准量化程序以较低的代价实现内存和时间参数的一次性量化;在保留原NEST网络构造习惯的基础上,开发了映射专用脚本格式,通过简洁的函数控制接口设计以帮助自动化设计的实现;自动化设计包含网络参数采集、负载预测和映射三个自动化部分,自动化整体设计为一体化实现,大大缩短负载预测和映射的整体流程。（3）针对基于ARM+FPGA的高能效的PYNQ类脑集群平台,使用SWAM为其提供三种负载服务:负载评估、加速判断与调用以及负载预测和节点映射。通过三种负载服务,以帮助该平台承载SNN案例时始终保持高能效、高稳定以及高性能地运行。通过在PC、纯ARM和ARM+FPGA三种不同的集群计算平台上运行SNN典型案例,并比较SWAM、LM（Levenberg-Marquardt）算法拟合和实测的映射结果。实验结果表明:SWAM的平均映射准确率达到98.833%;与LM方法与实测映射相比,SWAM具有绝对的时间代价优势。通过实验分析,证明了SWAM具有良好的兼容性,能够涵盖与预测不同的SNN案例在不同的计算平台上的负载情况,并且快速有效地推导出整个工作负载在计算平台上的合理映射结果,以保证计算平台稳定与高性能地运行,避免了极其耗时的完整工作负载的运行与试探,对研究与优化类脑体系结构具有现实意义。