卷积神经网络作为人工智能经典算法的代表之一,是一种典型的多层神经网络,其稀疏连接、权值共享的特点作为后续人工神经网络研究的基石,在人工智能领域有着里程碑式的意义,在图像识别、图像处理、语音识别、视频处理等领域具有重要的应用价值。目前CNN的实现平台主要有CPU、GPU、ASIC和FPGA,其中CPU无法发挥CNN算法的并行性、GPU功耗过高、ASIC灵活性差且开发周期长,而且在未来应用端,人工神经网络95%的应用方向都是在推断过程中,所以研究人员将更多的目光聚集在低功耗、低延时、可编程的FPGA上。FPGA含有丰富的逻辑资源,通过编写内部结构可实现大规模的并行计算,能够充分发挥CNN并行计算的特性。本文提出了基于FPGA技术实现高并行度、识别性能以及识别速率优越的CNN的方法,实验表明该方法相较于CPU减少了43.8%的时间消耗,运算速度上相较于GPU提升了19.5%。本文首先介绍了卷积神经网络的国内外研究现状以及卷积神经网络实现平台的种类,分析了各种硬件实现平台的优缺点,详细阐述了AI硬件加速方向的硬件主流方向以及主要研究技术。本文在第二章中详细介绍了卷积神经网络的算法流程,包括二维卷积计算、池化采样、线性激活、反向传播训练权值、神经元全连接以及分类器计算。本文在第三章中提出了硬件体系结构整体设计方案。详细介绍了网络模型结构及训练参数,并对该网络设计其特定的硬件网络架构,包括控制器、输入/输出存储器、计算阵列,详细分析了卷积神经网络中可实现的并行性,既而提出本次硬件网络的并行度实现策略,减少硬件计算过程中的时间消耗。本文在第四章中具体介绍了基于FPGA的卷积神经网络实现过程,详细分析了硬件架构中卷积模块和池化采样模块中数据对齐输出的实现难点以及实现过程,提出了基于辅助地址SUP_address实现数据二级缓存的策略,从而提高了硬件计算的正确性,同时减少了下一层数据预处理阶段的时间消耗。最后,本文在第五章展示了设计系统的仿真及测试结果。在软件端使用MNIST手写数字集对所设计的系统进行测试,验证了系统的可靠性;在硬件端对系统的总模块及各个子模块分别进行测试,验证了系统模块的正确性以及子模块计算、存储的准确性;最后分别在CPU、GPU和FPGA平台上使用同种网络模型识别图片,对比各个平台的识别速度,体现出FPGA在卷积神经网络中计算能力的优势。