随着脉冲神经网络训练学习算法的不断发展,其应用领域也不断扩张。同时,由于脉冲神经网络模型的规模不断扩大,训练学习算法的计算量愈发庞大,脉冲神经网络模型的训练愈发缓慢,进而导致脉冲神经网络模型研究与验证周期过长,相关应用研发时间跨度过大。针对上述问题,设计一种有效的并行训练方法是有效提升训练效率的关键。为此,本文提出了基于STDP的SNN子网络并行训练方法以及基于STDP的SNN多批次归约并行训练方法,并在多核CPU处理器环境下对基于STDP的手写数字识别SNN模型实现了并行训练加速,主要工作如下。（1）结合模型并行与SNN训练,设计并提出一种基于STDP的SNN子网络并行训练方法。方法首先将完整SNN中独立神经元进行分割,形成多个独立子网络结构。随后,在实际训练中将多个独立子网络部署至CPU的多个独立Core上。在每轮训练内的每个时钟周期上使用同步通信完成多个SNN独立子网络间边界区域神经元脉冲数据传输,实现多线程模型并行训练。（2）结合数据并行与SNN训练,设计并提出一种基于STDP的SNN多批次归约并行训练方法。方法首先将数据集划分为多个批次,各批次的数据将输入至各个相同完整SNN。随后,多个相同完整SNN将被分别部署至CPU的多个独立Core上,在每轮训练后对多份各异的权值训练结果进行同步通信与权值归约。方法在每轮实际训练中仅需一次同步通信便可实现多线程数据并行训练。（3）在多核CPU处理器环境下针对上述两种并行训练方法进行实验论证。实验结果表明,相较串行训练方法,基于STDP的SNN子网络并行训练方法能够提速16.24倍;基于STDP的SNN多批次归约并行训练方法能够提速56.35倍。综上所述,本文提出的两种并行训练方法不仅能够有效实现基于STDP的脉冲神经网络学习训练,提高硬件资源使用率,而且在训练速度、训练效率上均有明显优势,具有一定的加速效果。其中,基于STDP的SNN子网络并行训练方法在每轮实际训练的每个周期内均需要通信,而基于STDP的SNN多批次归约并行训练方法在每轮实际训练中仅需一次通信,大幅降低了训练过程通信次数,有效提升训练效率。