近年来,随着人们对深度学习的研究越来越深入,作为其基础模型的卷积神经网络也得到了长足的发展,被应用在了许多的领域。卷积神经网络算法通常是在CPU或GPU上采用软件编程的方法实现的,但是对于手机和无人机等能源有限的可移动设备来说,仅用软件方式加速卷积神经网络已经不能满足日益增长的速度与功耗要求,如何利用硬件设计卷积神经网络加速器已经成为学术领域的研究热点,而FPGA凭借其高度并行、可配置、设计灵活的结构特点和卓越的性能功耗比,逐渐成为了卷积神经网络硬件加速的利器。本文选取了一种轻量级的卷积神经网络MobileNet作为研究的基础架构,MobileNet是移动优先计算机视觉模型,它采用了深度可分离卷积来代替标准卷积,具有参数量少,低延迟,低功耗等特点,非常适用于移动和嵌入式设备。本文的设计采用Tensorflow中的Slim工具库完成了对MobileNet的训练,并最终使用Zynq系列的xc7z045作为硬件平台,以CPU+FPGA的形式完成了MobileNet硬件加速系统,该系统采用的关键技术有:（1）为MobileNet使用的标准卷积、深度可分离卷积设计了专门的并行加速方案,使各卷积能以最大的并行度进行运算。（2）采用归一化隐藏处理的方法优化了各卷积模块在硬件实现时的运算流程,节省了资源,加快了速度。（3）以模块化的方式完成了各卷积层的硬件实现,并设计了可配置的深度卷积模块和点卷积模块,使之可以完成所有的13层深度可分离卷积的运算。（4）设计时序控制模块以流水线的形式开启各卷积模块,最大程度提高了加速模块的利用率,保证了整个加速系统的效率。（5）针对MobileNet含有的超参数宽度因子,设计了大小可压缩的整体结构,可以根据实际的需要选择模型的压缩程度,提高了系统的实用性。最终的实验结果表明,在100MHz时钟频率下,整个系统的功耗为2.49W,设置宽度因子为1、0.75、0.5和0.25时,得到系统的帧率分别为1.40 fps、2.48 fps、5.57 fps和22.23 fps。与不同硬件平台实现MobileNet卷积神经网络相比,本设计较之i5-5200U CPU可实现8.24倍加速,同时速度功耗比达到了NVIDIA GTX970 GPU的6.96倍。与近几年同在Zynq7z045硬件平台实现卷积神经网络的结果相比,本设计资源占用量相对较少,并且在速度功耗比方面也具有一定的优势。