近年来众多的研究工作已经表明神经网络(Neural Network,NN)相较于传统算法有着显著的优势,其已经被广泛应用于图像、语音和视频识别等领域。但是由于神经网络对硬件平台的算力和存储需求巨大,导致实际应用存在困难。现有的CPU平台无法提供足够的算力支持,而GPU平台由于有着很高的计算力和易用的开发框架成为神经网络的首选平台。同时,基于FPGA的神经网络加速器也是目前研究的热点,经过特定的硬件设计,FPGA往往可以拥有超过GPU的处理速度,同时兼顾能效比。本文在此背景下,以自动驾驶领域对车辆、行人的实时检测需求为切入点,探索和研究了神经网络目标检测算法在FPGA上的并行加速方法。本文首先研究了神经网络目标检测算法和基于FPGA的神经网络加速器。然后以SSD(Single Shot MultiBox Detector)目标检测算法和ResNet(Deep Residual Network)网络为基础,设计了ResNet18-SSD模型,该模型既保持了VGG-SSD模型准确度,也有效降低了计算和储存复杂度。针对该模型的推理(Inference)过程,本文设计了基于两片Xilinx VU9P FPGA的平铺式加速方案。在保证预测精度的情况下,利用Ristretto对整个模型进行了定点量化,以避免FPGA直接采用浮点运算。同时,对不同类型的卷积层本文分别设计了不同的硬件结构,针对3′3,stride=1卷积层采用Winograd算法实现,而3′3,stride=2卷积层则采用原始卷积算法实现,并在实现过程中针对Xilinx DSP进行了特殊优化。另外,本文也设计了相应的数据缓存和复用结构,使得整个计算流程形成流水线,且不依赖于片外DDR。在卷积层之外,本文也设计了pooling、sum等其它类型层的硬件结构。最后,本文使用VCU118评估板搭建了基于FPGA的神经网络加速平台,对设计的方案进行了具体实现。为了达到良好的演示效果,本文还进一步设计了相应的上位机处理程序,并在FPGA内部实现了PCIe、QSFP接口逻辑。最终,量化后的ResNet18-SSD模型在KITTI数据集上的预测精度为0.797,比量化前下降3.1%。在输入图像尺寸为512×768×3下,FPGA处理延迟为84.23ms,帧率为11.87FPS(Frames Per Second),整个系统吞吐率达到了803GOPS。