在过去的数十年内,集成电路的规模在摩尔定律的指导下取得了快速的发展,但是在深亚微米尺寸下芯片设计已经从传统的追求电路性能的提升,转变为对性能和功耗的综合考虑。另一方面,许多计算密集型的新兴应用,例如数据挖掘和机器学习,发展迅速。它们需要消耗大量的计算资源。同时,这类应用又具有一定的容错性,尽管计算过程中出现一些微小误差,最终仍然能产生有效的输出结果。所以结合以上两种特性,近似计算,放宽了精确计算的要求,以取得功耗、速度和面积方面的电路性能提升,是针对这些应用的一种低功耗的解决方案。这些应用中通常会包含大量的乘法运算。然而,乘法器具有复杂的逻辑设计,是最耗能的子运算单元之一。使用近似乘法器,可以对系统的整体性能和功耗带来相当大的改善。因此,近似乘法器的设计受到了越来越多的关注。乘法器的部分积矩阵压缩阶段,由于需要使用大量的全加器（3-2压缩器）,是影响乘法器硬件性能的最主要因素。将一部分准确压缩器替换为近似压缩器,可以显著提升电路运算速度、降低硬件开销。在部分积矩阵缩减阶段,如何排布准确和近似压缩器,也会对整体性能产生重要影响。但是这一问题目前还没有大量的研究。因此,如何进一步优化近似压缩器和部分积矩阵压缩策略是实现高性能近似乘法器需要解决的问题。本文的创新点和研究成果如下:首先提出了4种基础的高准确度、低逻辑复杂度的近似压缩器,并以此组合成更高阶的近似压缩器。接着提出了新型的部分积矩阵压缩策略。研究压缩器的排布问题时,首次将不同阶段部分积的稀疏程度纳入考虑范围。使用尽可能少的准确压缩器,并将精度损失控制在有限范围内。基于上述两个创新点,具体地设计了8bit和16bit的近似乘法器。与使用本文中的压缩器和其他压缩策略的设计相比,本文的近似乘法器,在稍微降低硬件开销的同时,进一步提高了准确度,证明了新型部分积压缩策略的有效性。与现有的先进近似乘法器相比,本文的8bit近似乘法器具有最小的平均相对误差距离和延时,其余指标也超过了大部分的现有设计。本文的16bit近似乘法器的面积、延时、平均相对误差距离和归一化平均误差距离都是最小的,误差率比其他设计平均降低4.11%,功耗平均减少了9.13%。最后,将所提出的近似乘法器应用于图像滤波和图像乘法。经过多组标准图像测试,两种应用中的输出图像的峰值信噪比分别大于38.5d B和42d B,结构相似性指数都接近1。与准确乘法器处理的图像差别微小,可被人眼接受。综上所述,本文提出的新型部分积矩阵压缩策略优化效果显著,所提出的近似乘法器超过现有的大部分设计,达到了先进设计的水平,并且在图像处理领域也取得较好的效果,具有适用性。