近些年来卷积神经网络广泛应用于航天背景下在轨实时目标检测,同时FPGA由于其低功耗、高并行的特点,成为航天领域卷积神经网络算法最理想的载体。但随着深度卷积神经网络的发展,模型计算量参数量日益增长,FPGA有限的资源成为深度卷积神经网络部署的瓶颈。本文以此为切入点,参照超长指令字架构的设计思路,提出了基于FPGA的卷积神经网络算子复用式指令架构CNN-SISA,实现了资源的缩减及效率的提升,主要工作包括:（1）为提高加速器对卷积神经网络模型的适应性,本文根据卷积神经网络和FPGA的特点设计了CNN-SISA指令编码。指令编码的设计采用粗粒度控制模式,以控制FPGA端算子模块为目标,通过分析当前主流卷积神经网络的算子构成,将指令编码按功能分为数据搬运指令、控制指令、运算指令和状态指令四类,并对指令中每个字段的控制信息、字段位宽进行定义。（2）为完成卷积神经网络参数信息到指令码流的映射,本文设计了CNN-SISA指令汇编器。出于通用性的考虑,指令汇编器兼容当前主流卷积神经网络框架,可自动完成Caffe模型描述文件解析,并配合指令生成算法完成指令字段填充。指令完成构建后存储于本地COE文件中,通过PCI-e传输或指令ROM重写的方式来实现FPGA上不同卷积神经网络指令集的替换。（3）为完成指令码流到FPGA端微操作的映射,本文设计了CNN-SISA指令处理器。指令处理器由指令寄存器、指令译码器构成,按执行流程可分为取指、译码、访存、执行、写回。在指令处理器和算子模块交互中设计了一种三次握手模式,保证交互的可靠性。并从流运算和模块并行两方面完成了FPGA上卷积阵列设计,设计符合卷积运算特征,可实现不同通道、不同位置运算的并行操作,契合FPGA并行运算的特性。（4）以YOLOv3-Tiny算法为例,对CNN-SISA指令架构验证系统进行构建。完成YOLOv3-Tiny网络生成、训练、指令生成及网络量化工作,并将实测结果从资源、时序、功耗、正确性、计算效率及指令编码效率与多个工作进行对比,突出CNN-SISA指令架构的优势。CNN-SISA指令架构可将16位量化方案下的YOLOv3-Tiny算法资源缩减至原来的38%,同时计算资源的使用率可达到92%,指令密度也可达到24.27 GOP/MB,优于其他工作。综上所述,本文设计的CNN-SISA指令架构可以有效完成航天背景下基于FPGA的卷积神经网络开发,解决了目前较为棘手的资源限制问题,并在通用性和性能上有良好保证。