近年来,神经网络已经在目标跟踪、语音检测识别、无人驾驶和抗击疫情等领域展现出卓越的性能。卷积神经网络(Convolutional Neural Networks,CNN)是其中应用最为广泛的神经网络之一。然而,CPU和GPU等通用计算平台在性能和功耗方面无法满足深度学习的计算需求。ASIC平台的神经网络加速器灵活性较差且成本较高,不能广泛用于不同的应用场景。卷积神经网络加速器的设计难点主要为:1)不同神经网络的层数有显著区别;2)各层的类型明显不同;3)不同层的参数多样并且数据量和参数量大。换言之,以上三个难点对卷积神经网络加速的灵活性设计提出了极高要求。因此,探究FPGA平台上的可配置卷积神经网络加速器通用架构,并在性能、面积和功耗等方面满足具体应用的需求具有广阔的研究空间。综上所述,本文将重点研究讨论通用卷积神经网络加速器设计方法,并针对神经网络中softmax函数提出设计和优化方法。此外,本文针对目前关注度较高的无人驾驶领域交通标志识别问题提出解决方案。本文主要工作如下:1、设计通用卷积神经网络加速器硬件架构本文提出一种支持卷积神经网络中卷积层和全连接层运算的通用计算单元。具体而言,通用计算单元支持卷积层中任意尺寸和任意数量的卷积核和全连接层中任意数量的神经元运算。以通用计算单元为基础,本文设计一种通用卷积神经网络加速器硬件架构。2、提出精度可配置的softmax硬件架构本文总结神经网络分类的一般规律,有效地解决softmax层输入数据范围过大问题。此外,本文提出一种计算精度可变的指数函数计算单元并改进一种基于麦克劳林级数前两项的自然对数函数计算单元实现softmax层可变精度运算。指数函数计算单元的计算精度能够在23位、35位和42位精度中自由调整。改进后的自然对数函数计算单元将原设计中的2-32位的计算精度缩小至15-25位。3、制作基于FPGA的无人驾驶系统验证平台针对相关工作中的标志不适用和过于理想化的数据集、网络规模大和权重参数多的神经网络结构和资源消耗大、制造成本高的ASIC加速器,本文提出数据增强方法制作数据集、探索精简版神经网络架构并在硬件层面将多个神经网络融合到同一套硬件架构中。本文设计模拟道路交通场景,通过摄像头采集场景信息指挥智能车模型完成相应动作。