近年来,随着深度学习的发展,卷积神经网络的硬件加速成为当下研究的热点,特别是在边缘端对于实时性要求更高。因此将可重构的神经网络加速器和通用CPU组合构建一个So C的加速方式,既有通用性,又可以针对具体问题进行优化。但对于传统的CPU指令集架构ARM和x86都是不开源的,导致专利授权费昂贵,因此以RISC-Ⅴ为代表的开源指令集架构+加速器的模式并结合全自动化设计的方法,有助于更高效的设计CNN加速平台。为此,本文提出一种基于RISC-Ⅴ开源指令集架构的卷积神经网络加速器及其硬件设计,并构建一个人脸识别网络去测试该架构。首先在边缘端的人脸由于受到光照、表情和较大姿态变化的影响,导致识别率急剧下降。因此本文改进了SqueezeNet神经网络来提高识别率,主要是考虑到ResNet网络的特性,在SqueezeNet网络中加入残差模块,用来提高网络的识别率。最后将该网络在本文设计的智能边缘处理器中进行测试,主要测试该处理器的性能。对于智能边缘处理器,本文设计了卷积层的加速单元,然后构建了一种基于RISC-Ⅴ开源指令集的硬件加速系统。本文根据FPGA并行性的特点,设计了卷积层的加速单元,采用循环展开策略设计了PE阵列,通过PE阵列的并行计算来对卷积层的计算进行加速。本文使用的基于RISC-Ⅴ处理器中的ROCC接口与设计的卷积层加速器进行通信,定义了ROCC接口的指令,处理器通过ROCC接口发送相应指令来控制加速器的运行。为了减少硬件资源的消耗和提高处理的速度,本文对特征图和权重值进行量化处理,以及在系统中采用循环分块策略和双缓存的方式。将整个设计结合RISCV内核构建一个So C来进行测试。本文在Rocket-Chip的生成器中对整个设计进行了仿真,首先是在Linux下的C++模拟器中对整个系统进行测试,主要是测试加速模块的加速效果。其次是在vivado中进行硬件资源测试。实验结果表明在使用了CNN加速器以后计算的时间消耗相对于只使用处理器进行计算的时候得到了10倍到40倍的提高。最后在FPGA中进行测试,测试的结果表明硬件资源的消耗在可以接受的范围内。