层级时序记忆（Hierarchical Temporal Memory,HTM）是一种模拟生物大脑皮层结构的神经形态机器学习算法。通过对数据空间特征和时序特征的提取及稀疏分布表征（Sparse Distributed Representation,SDR）,HTM将复杂问题转化为模式匹配与预测,实现数据流的在线分析和预测。与现有人工神经网络模型相比,HTM更接近于人脑认知世界的方式,特别适合于序列数据的分析与建模。但是,HTM模型训练的时间复杂度较高,特别是HTM空间池（Spatial Pooler,SP）的训练需要搜索整个模型空间查找活跃微柱,算法时间复杂度与模型规模成正比且查找操作不适用现有加速方法,如GPU进行加速,成为影响HTM模型训练效率的瓶颈。另外,HTM时间池（Temporal Memory,TM）在学习数据的时序依赖关系时,仅显式利用当前时刻激活态神经元与前一时刻激活态神经元之间的突触连接,随时间推移模型保存和记忆的历史信息逐渐减弱,导致HTM在长序列学习任务中的准确性受到影响。针对这些存在的问题,本文研究面向多核的新型HTM以提高模型的训练效率和预测准确性。论文的主要内容如下:1.在分析HTM模型算法特点及现有研究工作的基础上,总结了制约模型性能进一步提升的主要因素:HTM空间池算法缺乏并行机制,无法有效利用多核计算资源导致训练效率较低;HTM时间池仅显式依赖神经元之间的单步连接学习序列数据的时序关联,在长序列预测时准确性较低;对称性的训练与推理策略导致HTM的推理效率无法满足部分应用场景的实时性要求。针对此提出面向多核的新型HTM系统,并给出系统整体结构。2.针对现有HTM空间池算法中缺乏并行机制的局限,提出面向多核的并发HTM空间池算法。利用多核处理器的并发计算能力将空间池的训练分布在多个计算核心上并行完成,以加快活跃微柱的查找速度,减少空间池训练所需的时间开销。面向多核的并发HTM空间池算法包括基于分区的微柱激活策略和并发的近端树突调整算法。在多核大数据平台Phoenix上实现了算法原型MCHTM（Multi-core Concurrent Hierarchical Temporal Memory）,使用NAB、NYC-Taxi和MNIST数据集进行了测试。实验结果表明相较于传统HTM,MCHTM在NAB和NYC-Taxi数据集上的训练时间开销分别降低97.29%和97.25%,SDR重叠率分别提高3.28%和1.83%,均方根误差分别降低0.031和0.026,在MNIST数据集上训练时间开销降低96.29%,准确率提高0.91%。3.针对现有HTM时间池算法中神经元时序关联局限性,提出基于多步反馈的HTM时间池算法,包含了基于多步反馈的时间池训练方法和非对称的时间池训练与推理策略。在神经元单步连接的基础上,将更多历史时刻的活跃神经元与当前活跃神经元建立远端树突连接,使得神经元能够记忆、保存更多历史信息,提高序列预测的准确性,并通过在训练与推理阶段激活不同数量的微柱和神经元提高HTM的灵活性。实现了算法原型MFHTM（Multi-timestep Feedback Hierarchical Temporal Memory）并进行了测试。实验结果表明相较于传统HTM,MFHTM在NAB和NYC-Taxi数据集上的SDR重叠率分别提高1.18%和1.04%,均方根误差分别降低0.015和0.024。4.基于Phoenix多核计算平台实现了面向多核的新型HTM原型系统,在NAB和NYC-Taxi数据集上对原型系统进行了测试,实验结果表明,相比于HTM原型系统训练时间开销分别降低52.51%和50.79%,SDR重叠率分别提升1.62%和1.39%,均方根误差分别降低0.022和0.031,验证了采用本文所提出的方法设计开发的原型系统的有效性。