近年来,随着人工神经网络技术在工业界和学术界的迅速发展,其被越来越广泛地应用在生产生活中的各个领域。在实际应用的迭代中,业界要求对更精确、数据量更大的网络进行更低延迟的部署,同时又希望部署的人工神经网络消耗更少的资源和能量。边缘计算技术是应对这个挑战的新兴研究方向之一。本文面向边缘计算技术,研究并设计了一种分布式目标检测模型及用于边缘计算环境的可重构人工神经网络加速器。本文首先对适用于边缘计算环境的人工神经网络模型进行了研究。基于该环境的资源敏感及功耗敏感等特性,采用深度可分离卷积技术提出了一种适宜分布式部署的目标检测模型。其经过参数压缩的特征提取部分比较适合卸载到边缘计算环境中。然后,本文对适用于边缘计算背景的可重构加速器设计方法进行了研究,提出了各工作模块、数据存储方式及通讯接口的设计方案。该架构采用可重构设计方法,使用软硬件协同的工作模式实现了对多种网络模型的支持。同时,引入了数据的升维跳跃存储模式实现了尽可能长的突发长度,保证了数据读取的高效性。在数据输入上,本设计引入了基于多级缓存的数据读取方式,解决了运算单元等待数据时间过长的问题,提高了加速器的运算单元工作效率。为充分利用可重构运算平台的并行性,本文基于并行运算的思想设计了运算模块,在多个维度上提升了加速器的并行运算能力,从而提高了可重构加速器在边缘计算环境中的运算表现。在两个标准数据集上的实验结果表明,本课题提出网络的目标检测能力和主流检测网络相比处于相近水平,同时其对算力和存储空间的依赖有平均约7.41倍的下降。基于Xilinx公司的ZYNQ系列开发板上实验表明,和其他工作相比,本文设计的可重构加速器在功耗依赖和资源利用效率方面有比较明显的优势,所消耗的资源处于较少水平,更适合工作在边缘计算环境中。