现阶段,快速发展的卷积神经网络已经在图像分类、目标检测、语义分割等应用领域展现了优异的识别和分类能力,卷积神经网络性能提升成为卷积神经网络推广应用的关键突破点。面临着卷积层数加深、数据运算量和存储量不断增长的挑战,传统软件加速方式难以满足应用实时性的要求,研究卷积神经网络的硬件加速技术成为必由之路。本文通过分析卷积神经网络算法,研究并设计了具有高性能的卷积神经网络加速器,能够有效提高卷积神经网络算法性能。1.论文首先研究并设计了一套卷积神经网络加速指令系统。在充分分析典型卷积神经网络算法的拓扑结构和相关运算操作的基础上,为了降低单个运算核心的数据存储量提高数据重用性,研究了卷积神经网络算法划分技术,设计了面向卷积层、池化层、全连接层的基本运算函数集,通过函数调度简易地映射整个卷积神经网络算法;在充分分析卷积层、池化层、全连接层和激活函数等运算操作的基础上,归纳总结了卷积神经网络的运算逻辑,研究并设计了卷积神经网络加速器的基本运算指令;在充分分析卷积层、池化层、全连接层运算过程中数据位置变换特征,归纳总结了卷积神经网络的存储逻辑,研究并设计了卷积神经网络加速器指令寻址方式、存储阵列换位方式。2.论文研究并提出了一种基于近算存储阵列架构的卷积神经网络加速器。为了减少访存带来的延迟,结合卷积神经网络存储逻辑特征,提出了近算存储阵列架构,能够通过移位、换行等操作实现特征图数据的快速位置变换;为了降低运算资源和存储资源需求,提出了逐层参数量化方法,在保证卷积神经网络算法精度的前提下,将各层浮点数据转化为定点数据表示,并根据指令系统要求设计了基本运算单元;为了进一步优化加速器性能,设计实现了多粒度并行的优化策略,开发特征图卷积窗口、输入通道、输出通道三个层次的并行性。3.论文搭建了卷积神经网络加速器综合验证平台,并进行了功能验证与性能测试。在平台搭建方面,搭建了算法验证平台、仿真验证平台和硬件测试平台,以VGG-16算法为例进行函数划分,以Image Net数据集为基础产生测试激励,分别通过函数验证和系统验证证明了卷积神经网络加速器的正确性;在资源消耗方面,对不同配置的卷积神经网络加速器的资源占用进行了评估;在性能测试方面,对卷积神经网络加速器进行了性能测试与评估,经测试,采用256核配置方案的卷积神经网络加速器运算性能达到50.47GOPS,是Matlab软件并行实现的51.62倍,较已有的基于FPGA硬件加速器性能提升约为3.15～9.61倍。