深度学习算法的迅猛发展,使得基于卷积神经网络的目标识别技术和目标检测算法在图像识别、图像分割等领域有了广泛的使用。将神经网络算法于应用在各种实时的环境中也是学术界和工业界关注的问题。通常神经网络算法计算量巨大,如何对算法进行高效的优化并满足实时性要求是研究的热点,与此同时,寻找和研制合适的硬件平台以便于更好的支持深度学习的算法的需求变得越来越迫切。因为算法计算量巨大,深度学习算法的实际应用需要依赖高性能的计算平台。本课题所用计算平台为FT 2000B GPDSP,是本课题组自研的一类国产化的向量处理器,本文所完成的工作主要有如下三点:探究如何在GPDSP上进行深度学习算法的映射,在向量处理器上进行卷积、池化、归一化等深度学习算法的典型层的计算,用向量化的方法将算法高效的映射到处理器上;根据映射方法研究所得出的结论,在FT向量处理器上进行深度学习算法AlexNet、YOLO的实现,并将摄像头与GPDSP连接起来,使其能对实时抓取的图像进行处理,搭建一个完整的系统;针对处理器的体系结构、深度学习算法的特点,挖掘计算中的并行性,进一步提高处理器利用率,在映射方法、编程语言、算法等各个方面对在GPDSP上实现的应用进行优化。在未来的工作中,我们将进一步改进GPDSP的结构,使其能为深度学习算法、神经网络结构提供更好的支持。并针对通用的卷积神经网络,开发标准的卷积库,使的在以后的研究和使用中,可以更加方便调用、快速实现、简化操作,能将其更好的推广。