卷积神经网络（Convolutional Neural Network,CNN）是深度学习领域最重要的神经网络之一,被广泛地应用于图像处理和目标识别等方面。随着卷积神经网络层数的不断加深,结果不仅没有变得更好,反而出现了网络退化的问题。为了解决这个问题,He Kai Ming提出了残差神经网络（Residual Neteork,ResNet）。通过在网络中的不同层之间进行残差连接使得网络更容易实现恒等映射,从而改善网络退化。由于ResNet神经网络都是层数很多的深度网络,如果使用通用处理器CPU进行计算,时间太长效率太低;如果使用GPU进行计算,在成本和功耗上难以达到最优,因此专用硬件加速器的研究有着重大意义。在数字集成电路的研发过程中,验证是耗时最长的关键环节,因此高效验证技术的研究也是必不可少的。本文首先阐述了卷积神经网络的基本原理、深度网络退化的原因、为了解决该问题而引入的残差结构以及借此发展出的ResNet神经网络。然后讲解了通用验证方法学（Universal Verification Method,UVM）的基本机制,包括验证平台结构和事务级通信机制（Transaction Level Model,TLM）。随后本文对ResNet算法进行了详细的分析,对每一个关键计算步骤都提出了相应的硬件优化设计方法:使用通用矩阵向量乘法（General Matrix-Vector Multiplication,GEMV）优化卷积计算;通过GEMV加法阶段引入残差数据优化残差计算;通过计算权重地址优化权重矩阵所需要的存储空间;通过复用卷积计算单元来实现池化计算,提高硬件利用率。随后本文讲解了ResNet神经网络硬件加速器指令集的设计,整个加速器系统的架构设计,以及使用硬件描述语言System Verilog对所有子模块和子系统进行的详细设计。随后本文讲解了验证工作的流程以及为提高验证工作效率而开发的UVM验证平台自动生成器,并使用该自动生成器创建所有模块级验证平台,依序完成了所有子模块的验证工作。得益于UVM验证方法学优秀的可重用性,通过集成复用子模块验证组件的方式完成了系统级验证平台的搭建,然后使用了一个三层的残差卷积神经网络对其进行测试并完成了系统级验证。接下来使用Pytorch和Image Net搭建并训练了一个ResNet-18神经网络,将其映射到硬件加速器上,并使用真实数据进行仿真测试,经过数据比对,硬件加速器的计算结果符合预期,与软件的实现相同。最后比较和分析了硬件加速器、CPU、GPU和FPGA的ResNet-18计算时间,证实了硬件加速器的可行性和计算效率的优越性,达到了预期目标。