由于卷积神经网络具有一定容错性,近年来近似计算开始被应用在卷积神经网络加速器的设计中,以一定的计算误差换取功耗降低。这些近似技术可以在算法、架构和电路等多个层次实现,设计人员需要对加速器进行快速评估,选择合适的设计策略。目前寄存器传输级（Register Transaction Level,RTL）或门级的性能功耗评估工具虽然有较高的精度,但综合和仿真耗时较长,难以满足快速设计探索的需求。本文将多种近似技术结合应用在卷积神经网络加速器的设计中。首先在算法上对网络参数进行量化,降低加速器的存储需求和访存功耗。其次,使用近似运算单元替代精确计算降低加速器的计算功耗,并将计算误差引入网络的训练过程降低使用近似计算单元带来的分类精度损失。最后,结合网络中的稀疏性,跳过数值较小的输入特征与权重间的乘法计算进一步降低动态功耗。为了快速评估卷积神经网络加速器使用不同近似配置的性能功耗,本文设计实现了行为级的pre-RTL模拟器。用户仅需输入描述网络的C代码和硬件配置文件,模拟器将代码的指令流转换为动态数据依赖图来表示加速器的硬件行为,通过图结构中边和节点的变换来模拟不同架构和近似设计策略,并通过图结构的调度获得周期级的硬件性能分析,结合基于门级电路仿真构建的基本硬件单元功耗模型库计算加速器的功耗。本文基于LeNet设计了近似卷积神经加速器,在pre-RTL模拟器中评估显示网络量化、乘法器近似和计算跳过的结合使用能够使该加速器在保证分类精度损失小于0.5%的同时降低32.1%的功耗。本文还搭建了加速器的硬件电路,对比门级仿真与模拟器分析结果,模拟器能够产生准确的性能估计,在不同近似配置下功耗估计的平均相对误差小于10%,能够满足快速设计评估的需求。本文完成了近似卷积神经网络加速器的设计并通过pre-RTL模拟器对加速器设计进行快速的评估,验证了近似技术的结合使用降低功耗的有效性。此外,本文的性能功耗评估方法灵活可扩展,不仅适用于近似神经网络加速器的分析,未来可以推广至更多不同算法和近似技术并进行验证。