人工智能发展到现在,深度学习已经成为领域里事实上的技术标准。深层次的神经网络是深度学习的基础架构,也是深度学习取得巨大成功的重要原因。然而,网络的加深却也意味更大的模型,由此带来的密集计算和巨大能耗给传统处理器CPU带来了巨大的挑战。FPGA作为擅长并行运算的专业加速设备正受到越来越多的关注,其具有低功耗、低延时、高性能和可重构的特点,尤其适合神经网络的计算加速。本文旨在设计一套基于FPGA的深度学习计算平台,对常见的卷积神经网络和循环神经网络进行计算加速。本文首先介绍了本次课题的研究背景与深度学习的基本理论,然后分别从硬件和软件层面对计算平台的系统架构进行了介绍;接下来详细介绍了CNN(Convolutional Neural Network,卷积神经网络)加速器模块和LSTM(Long Short Term Memory,长短期记忆网络)加速器模块的设计与实现;最后对两个关键模块进行了测试与评估。本文实现了基于FPGA的CNN和LSTM加速器,利用Winograd算法实现快速卷积操作,利用脉动阵列思想实现矩阵快速相乘,利用定点数运算代替浮点数运算以及查找表等技巧来优化FPGA硬件资源占用和系统时延。本文通过修改Caffe框架的源码实现了一个FPGA和CPU协同工作的深度学习计算平台,可以在计算平台上完成对CNN和LSTM网络的推断过程的计算加速,实验结果表明其在性能和能效上均取得了优于CPU和GPU的效果。