近年来,计算能力的迅速提高使得基于卷积神经网络(CNN)的方法已在大量应用中取得了巨大成功,并且已成为计算机视觉中最强大,应用最广泛的技术之一。本文基于VGG16卷积神经网络的巨大潜力和通用性,对其进行硬件加速在不影响其精度的情况下加速计算过程并且降低功耗。FPGA是加速CNN的最有前途的平台之一,但是有限的带宽和片上存储器大小限制了CNN的FPGA加速器的性能。本文设计实现一种卷积神经网络的硬件加速器。该加速器是基于FPGA并且由硬件和软件协同工作完成的。使用了FPGA和ARM的计算框架。在硬件方面对CNN模型进行正向推理,在软件方面完成系统的数据传输和控制。本文首先对VGG16模型进行深入分析,卷积层以计算为中心,全连接层以内存为中心,然后提出了一种动态精度数据量化方法和一种对CNN中所有层类型均有效的卷积器设计,以提高带宽和资源利用率。结果表明,当使用8/4位量化时,VGG16模型的数据量化流程只会引入0.4%的精度损失。随后本文提出了一种数据布置方法以进一步确保外部存储器带宽的高利用率。在硬件设计中,采用自顶向下的设计方式将加速器分为若干个子模块来设计。完成包括卷积层CNN模块,池化层POOL模块,AXI接口模块和缓存区域模块在内的多个模块的电路设计。该卷积神经网络加速器实现了VGG16模型的正向推理并且对于加速器的每一层,都通过使用流水线结构来提高整体数据吞吐量。每层之间的乘法累加器以及输入和输出缓冲区通过多路复用减少了资源消耗。在软件方面,设计了ARM CPU与CNN加速器数据交换逻辑和控制交互。结合硬件和软件设计,已成功对IMAGENET数据集进行了分类和识别,与软件实现相比,具有良好的分类结果。