卷积神经网络在计算机视觉领域得到了大量的应用,尤其是基于卷积神经网络的目标检测方法目前在学术界和工业界都受到了广泛关注。然而,由于卷积神经网络具有较高的计算复杂度,目前目标检测方法通常依靠大型服务器如GPU（Graphics Processing Unit）进行运算。但是,当前GPU平台存在功耗高、体积大以及成本昂贵等缺陷,使得基于卷积神经网络的目标检测方法难以应用于移动机器人、无人机等轻量化平台。针对轻量化、快速的目标检测难题及需求,本文以经典的基于卷积神经网络的YOLOv2目标检测方法为例,基于FPGA平台,设计了一种软硬件协同的、资源能量感知的目标检测算法加速系统硬件平台,并研究了卷积神经网络硬件加速方法,实现了基于FPGA的目标检测算法的加速研究。文章的主要内容如下:首先,针对高性能的目标检测加速系统硬件平台设计,本文基于CPU+FPGA异构架构,开发了一种资源能量感知的FPGA加速器。在CPU端,设计了基于FPGA平台的目标检测系统的图像预处理和图像后处理模块,分别对输入和输出的图像进行相关变换操作,使其满足加速器输入和检测的要求。在FPGA端,提出了基于并行分块执行的卷积层加速方法和基于动态定点量化的参数量化加速方法,保障了目标检测的运算速度和系统平台的低功耗运行。通过以上的研究,实现了高能效和高性能密度的目标检测算法加速系统硬件平台的设计。其次,为了有效提高目标检测算法的运算速度,本文研究了卷积神经网络的硬件加速方法。一方面,设计了一种动态定点数据量化方法,通过对卷积层的参数进行16位的定点数据量化,减少参数的复杂度和片外存储量,保障了系统的计算速度。另一方面,提出了一种分块并行卷积算法,通过设计循环展开方法,实现了对输出和输入特征图个数的二维展开,提高了卷积运算的执行并行度,实现了对系统平台运算的加速;并且研究了一种循环平铺方法,实现了片上资源分块复用,减少了片外数据与片上数据的传输次数,进而降低了系统运行的延迟,提高了基于卷积神经网络的目标检测算法的运算速度。最后为了验证加速器系统平台的性能,本文从加速器系统的能效、性能密度以及目标检测性能等方面展开相关实验。实验结果表明,本文设计的基于FPGA的目标检测硬件加速系统平台实现了对目标检测的轻量化的能量资源友好型加速,验证了所设计的FPGA加速器系统平台具有良好性能。