目标检测技术是计算机视觉领域的研究热点之一,它的根本任务是检验图像中是否存在感兴趣的一个或多个目标以及预测目标的位置和类别。近年来基于卷积神经网络的目标检测算法在检测速度和检测精度方面都获得了很大提升,已经逐步替代了传统目标检测算法。深度卷积神经网络包含大量卷积计算,异构计算的出现使得高性能计算技术高速发展,为卷积神经网络中大量的卷积计算的执行速度提供了性能保障。OpenCL是在异构系统下实现对不同厂商处理器进行统一编程的通用计算语言。本文对基于卷积神经网络的目标检测算法YOLOv3的并行化方法进行了研究,使用OpenCL对其实现了并行化加速,主要成果有:(1)使用并行化设计方法,将OpenCL的并行编程框架与YOLOv3模型相结合,对YOLOv3模型中的所有类型的网络层都进行了并行化设计,根据不同网络层的算法,对每个网络层的OpenCL内核函数进行了精细化设计,通过实验设置合理的OpenCL NDRange空间,相对于CPU串行实现方法,各网络层基于OpenCL的并行设计方法的速度性能在GPU Titan XP上实现了几十到几百倍的提升,YOLOv3模型整体实现了357倍的高加速比。针对YOLOv3模型中最为耗时的卷积计算部分,本文设计了分块矩阵乘法内核,该内核充分利用GPU上可以快速访存的局部内存和私有内存。该内核使用向量加载、合并访存、循环展开等方法优化指令流,合理设计工作项和工作组,提高了多线程的并发性,从而提高了GPU的计算资源的利用率。优化设计的OpenCL矩阵乘法内核,在GPU上计算大规模矩阵乘法时,相对于CPU有几千倍的性能提升,相对于在GPU上直接计算单个结果矩阵元素的OpenCL内核,速度提升4～8倍。(2)对基于Winograd算法的卷积并行加速方法进行研究,针对计算资源有限的CPU平台,本文使用OpenCL并行化方法在CPU上实现了Winograd算法的并行化,相对于串行实现的Winograd卷积方法,在相同的CPU上速度性能提升了几十倍。为减弱输入特征图通道数对Winograd算法并行化加速性能的影响,将Winograd算法与矩阵分块乘法相结合,将Winograd卷积过程中逐通道进行的乘加计算转换为矩阵乘法,使加速性能更加稳定,整体加速效果更好。