卷积神经网络是近几年兴起的深度学习中一个重要领域,是当前人工智能研究和发展的热点,其权值共享结构更接近生物的神经网络结构,具有模型复杂度低、识别精度高等优势,被广泛应用于机器视觉、图像识别、语音识别、图片搜索等应用。随着各种卷积神经网络模型的不断涌现,网络模型变得更深且计算量更大,现有的CPU和GPU无法满足一些高实时性要求的场合。而FPGA具有很高的灵活性和重构性,并且含有丰富的计算资源,能够充分发掘卷积神经网络模型中固有的并行特性,特别适用于加速卷积神经网络应用的计算速度。论文在研究卷积神经网络的基础上根据FPGA的特点设计了一种基于FPGA的卷积神经网络加速器。加速器包含多个卷积处理单元可以对不同的卷积层实施不同的计算方式,并针对大尺寸卷积计算设计了一种拆分计算方法把卷积过程分解为更细粒度的并行计算。在乒乓操作下通过流水线处理方式同时计算所有的卷积层,对不同的层采用不同的并行策略和计算资源分配使流水线每个阶段处理时间达到一个很好的平衡,从而实现高吞吐量、高资源利用率。以数据量化压缩模型参数,使用寄存器作为二级存储减少访存。仿真结果表明提出的加速器在100MHz时钟频率下的对AlexNet计算延迟为10.36ms,整体性能可达到128.61GOPS,和已有卷积神经网络加速器比具有更高的计算性能。