近年来,基于卷积神经网络(Convolutional Neural Networks,CNNs)的深度学习算法在计算机视觉和图像识别领域的成功应用,很大程度上改变了传统的机器视觉框架,成为实现人工智能技术的一个核心算法。CNN算法简单、可并行性高,但数据量大,尤其随着深度学习应用的不断发展,网络的规模愈加庞大,导致运算量激增。传统的软件加速方法已经难以满足应用对CNN算法性能、功耗和实时性的需求,研究其硬件加速及优化实现具有重要意义。本文基于并行存储技术对CNN核心算法—卷积层算法的硬件加速展开研究并设计实现了一款专用加速器,主要工作和创新点如下:首先,分析CNN卷积层算法的并行性和数据重用性,确定了加速器采用图间并行和图内并行的机制;通过建模理论分析了片上缓冲容量和片外访存带宽的关系,为片上并行存储设计提供了理论指导;给出了CNN加速器的整体设计方案;设计了具备了卷积核缓冲和输出缓冲的专用运算单元,使运算和访存流水化,充分保证了其性能;设计了一种支持跨步按块访问无冲突的两维缓冲器,满足了加速器并行访存需求,提高了数据重用率和乘加单元的利用率;采用AXI总线协议,设计了标准的用户使用接口,提供库函数供用户调用,增加了加速器的通用性。其次,完成了CNN加速器的RTL代码设计,并搭建基于Matlab激励生成的模拟验证平台,对CNN加速器的功能进行充分的验证,已通过数万组测试激励代码验证,功能正确。基于40nm工艺对设计进行了逻辑综合,结果表明加速器达到了1GHz的工作频率,总面积4.51mm~2,片上缓冲192KB,功耗为985mW。采用实际应用和主流的CNN算法模型对加速器进行性能测试,结果表明,绝大多数情况下算法的访存延时能够完全隐藏在运算过程中,PE的效率超过90%,运算能力超过100 GMACs;与现有研究相比,同等性能的情况下本文设计的加速器硬件开销更小。