卷积神经网络(CNN,Convolutional Neural Network)作为人工神经网络中重要的一个分支,在机器视觉领域得到了广泛的应用。随着应用场景的复杂化和多样化,对于神经网络算法在速度和准确率上的要求也越来越高。单发多框目标检测算法(Single Shot MultiBox Detector,SSD)是Wei Liu在ECCV2016上提出的一种目标检测算法,截至目前是主要的检测框架之一。由于卷积神经网络在通用CPU以及GPU平台上计算速度慢、功耗高的问题,使用硬件加速器,通过计算数据重用、并行设计以及流水线技术可大大提高运算速度并降低功耗。随着芯片设计的规模和复杂度不断提高,验证的工作也日益复杂和重要,验证周期已经达到甚至超过整个芯片开发周期的70%,通过验证来保证芯片功能设计的正确性和稳定性已称为芯片开发的必然趋势。本文首先介绍了卷积神经网络的基本结构和特点,分析了内部计算模式,包括卷积、池化、非线性、矩阵乘法等,为之后对于硬件加速器架构的理解提供了理论依据。随后文章还分析了单发多框目标检测算法的结构,相较于常规卷积神经网络算法有那些特点,分析了将其映射到硬件加速器上的可行性以及相对与传统CPU运算的优势。并且本文还介绍了数字集成电路设计的一些基础概念,包括逻辑门和组合逻辑电路以及时序逻辑电路。此外,本文还介绍了通用验证方法学(Universal Verification Methodology,UVM)中重要的几个概念,这些概念是UVM的基础,在后续的验证工作中会经常使用。随后本文对卷积神经网络硬件加速器的架构进行设计分析,针对四个二级子模块:数据准备模块、卷积运算模块、结果处理摸和后处理模块,分别从设计需求、参数、接口、系统结构、子模块设计等方向进行剖析,深刻理解硬件加速器对于卷积神经网络中数据预处理、卷积运算、池化以及后处理运算的实现,分析其对于数据的重用方法和效率,分析双数据格式的优势与难点,使用int8和float32混合精度乘加器节省了312个8bit乘法器和312个16bit加法器,使用基于GeMM(General Matrix Multiply)算法的数据重用技术使得数据重用率最高达到100%。在对设计架构有了较深的理解后,开始制定验证方案。首先针对卷积神经网络硬件加速器中最核心的数据准备模块,根据对应的设计需求和设计文档分解测试点。针对对应测试点构造专项测试用例,完成测试用例规划,制定验证策略,搭建验证平台,仿真调试,运行测试用例并收集覆盖率,使功能覆盖率达到100%。完成模块级验证进行加速器的系统级验证,覆盖所有测试点,训练单发多框目标检测算法以使平均精确度达到0.697,在根据卷积神经网络加速器构造3层的测试算法,在50M时钟频率下每秒可识别6980帧,实现了预期目标。