高超声速推进技术由于其重要的战略地位,在世界各国内得到广泛的研究,随着其技术的日趋成熟,对超燃冲压发动机的智能管理体系提出现实的需求,具体表现在对内部关键参数的测量与状态监测的要求逐渐提升,采用基于深度学习的方法能够有效解决这样的问题,深度学习网络模型普遍具有参数量、计算量大的特点,传统的机载硬件平台难以实现算法搭载。基于以上问题,本文提出了基于FPGA的超燃冲压发动机硬件平台,用于实现卷积神经网络模型在发动机上的部署,进一步的研究了采用FPGA的超燃冲压发动机参数测量与状态检测系统的设计与实现,主要工作如下:本文针对超燃冲压发动机硬件平台应用中的条件约束以及卷积神经网络模型的结构特点选择采用ZYNQ异构So C作为卷积神经网络部署的硬件平台,基于软硬件协同设计的理念,提出卷积神经网络硬件加速系统的总体方案。以总体方案为指导,完成了整个CNN加速器系统的设计。首先结合CNN网络模型进行了基于FPGA的CNN加速器系统的任务划分与总体架构设计。针对CNN加速器中多种功能子模块进行设计,充分利用FPGA片上资源,充分发挥卷积神经网络运算中的并行能力。针对卷积层、池化层中的循环,采用分块、展开策略,分块参数采用了Roofline Model理论进行选择。进一步的优化中,研究了不同的硬件优化技术,以及在本设计要求下的可行性,完成了PL端可编程逻辑部分的设计。最后设计了采用DMA模块的数据传输以及PS端的软件开发。对CNN加速器进行相关的性能验证,并结合具体卷积神经网络进行了相关实验。在搭载XCZU3CG-1SFVC784的ZYNQ芯片的开发板上进行了CNN加速器的相关验证,测试结果表明,CNN加速器资源消耗合理,整体功耗低,且具有良好的加速性能,与CPU平台以及其它设计进行了对比分析,总结了加速器优势与不足。进一步的,针对CNN加速器的具体应用,针对两个CNN模型进行了CNN加速器的验证,测试结果表明,CNN加速器的运算结果具有良好的准确性,能够反映出实际流场、参数场中的分布,且具有一定的实时性,满足使用需求。对超燃冲压发动机智能测控系统展开研究。以搭载ZYNQ加机载CPU处理器为硬件平台的超燃冲压发动机测量监测系统构架为基础,设计了超燃冲压发动机隔离段激波串前沿位置检测系统,利用高速数据传输协议实现CPU平台与ZYNQ平台的数据传递,ZYNQ接收测量信息完成深度学习算法,CPU平台进行数据处理,并完成信息输出。针对后续的控制需求,在ZYNQ开发板上实现了发动机模型与控制器的搭载,并基于此构建了开发板上的闭环控制模型。