近年来,卷积神经网络在诸如图像分类、目标识别、决策等许多应用领域展现出优异的性能。但是现有的人工智能芯片在物联网、车载等场景部署困难,因为它不但要求芯片具有一定的计算能力,同时也对功耗和成本有着严格的约束。为解决传统芯片架构对卷积神经网络算法在计算能力与功耗上的限制,专用人工智能处理器芯片凭借其体系结构的创新大大提高了神经网络计算速度,减小了功耗。此外,现有人工智能芯片可编程能力亦有待提高,对卷积池化等网络核心运算的支持有限,对残差网络等提高计算准确率的技术尚无特定架构的支持,从而在一定程度上限制定制智能芯片的推广。随着网络层数的增加,卷积神经网络会出现过拟合现象,准确率达到饱和并出现退化,而残差网络的出现有效地解决这一问题并且显示出不错的效果。因此,本研究在多个卷积神经网络算法架构中选择了残差网络,在现有的可重构阵列架构的智能处理器的基础上设计残差网络模块。该模块的实现拓展现有智能芯片的功能,从而增加低功耗智能芯片在边缘计算中的应用前景。本文致力于拓展现有体系结构设计方案,通过残差指令集、输入输出系统与存储系统的定制设计实现对多层残差神经网络的实时、高效部署。鉴于残差网络每层的权重及输入/输出数据量较大,因此本文采用片下DDR存储器对数据进行存储。将所设计残差网络模块用硬件编程语言来实现,通过EDA工具验证其功能正确与否。同时使用Keras模型来训练卷积神经网络,并将所得模型参数保存为HDF5文件,然后用python语言编写工具从中批量获取权重及配置参数。最后采用ISE工具来对整体设计进行逻辑编译综合以及布局布线设计,将所得bit流下载至FPGA上进行实验,此过程中也需要加载权重参数、配置参数以及图像数据文件。在FPGA实验中,先将其结果与ModelSim仿真结果进行对比,然后采用对照实验不但对残差网络自身不同深度时的性能进行纵向比较,而且也将残差网络与其他网络的性能横向比较。全文前两章首先介绍了课题研究的背景意义以及现状,接着是卷积神经网络发展历程、层级结构包括卷积层池化层和全连接层的计算,最后是FPGA的设计流程。第三章则是残差网络的具体设计方案,第四章是芯片设计中需要的权重参数、指令参数和图像数据的准备工作。第五章则是将残差网络等卷积神经网络部署到FPGA上进行实验对照。第六章是工作总结与展望,介绍了整个研究设计工作的理论知识学习和遇到的困难的解决方案以及对于本研究的不足。