近年来,随着计算能力的剧增和学科技术相互渗透、不断发展,机器学习渐渐被大众所认知和接受,并逐渐出现在大众生活中。无论是逛淘宝时物品推荐,汽车无人驾驶,还是轰动一时的人机围棋大战AlphaGo,机器学习让人们感叹科技力量的同时也改善了人们的日常生活。深度学习作为机器学习的新兴领域,起源对人工神经网络的进一步研究,为生物科学和计算机科学相互交叉渗透的产物,其在处理复杂抽象的学习问题上有着出色表现,也因此迅速在学术界和商业界风靡。然而,为了解决更加抽象、更加复杂的学习问题,深度学习的网络规模在不断增加,计算和数据的复杂也随之剧增,比如Google Cat系统网络具有10亿左右个神经元连接。如何高性能低能耗地实现深度学习相关算法,则成为科研机构的研究热点。现场可编程门阵列FPGA作为常用的加速手段之一,具有高性能、低功耗、可编程等特点。本文采用FPGA设计针对深度学习通用计算部分的加速器,主要工作有：1)、分析深度神经网络、卷积神经网络的预测过程和训练过程算法共性和特性,并以此为基础设计FPGA运算单元,算法包括前向计算算法、本地预训练算法和全局训练算法。2)、根据FPGA资源情况设计基本运算单元,包括前向计算单元和权值更新运算单元。运算单元均进行可配置和流水线设计,在适应不同规模深度学习神经网络的同时具有高吞吐率。3)、分析FPGA加速器的上层框架和数据通路,编写linux操作系统下驱动程序以及面向上层用户简单易用的调用接口。4)、通过大量实验测试分析影响加速器性能的各种因素,得到加速器的性能、能耗趋势,使用测试数据集与CPU、GPU平台进行性能、功率、能耗等参数对比,分析FPGA实现的优劣性。