卷积神经网络作为人工智能的主要技术之一,已经成功应用于人脸识别、图像检测与识别、无人驾驶、医疗护理等诸多领域,为社会的发展做出了巨大的贡献。但卷积神经网络的运算速度与计算资源、内存资源庞大需求之间的矛盾限制其应用范围。随着万物互联与智能时代的到来,卷积神经网络的硬件加速优化设计已经成为了当前人工智能与数字集成电路设计领域的研究热点。针对卷积神经网络的全连接层,本文首先通过剪枝、量化等模型压缩技术,降低了模型参数的储存空间占用和计算过程中的带宽需求。随后提出了权重二级索引方案,并结合参数压缩进行了全连接层的计算资源优化,完成了全连接层的硬件加速器设计。该设计有效提高了全连接层的计算效率,降低了资源消耗,并使得全连接层的计算不再需要占用外部存储的带宽资源,从而可使卷积层计算与全连接层计算采用流水线方式进行,用于提升卷积神经网络加速器的整体计算效率。卷积神经网络的运算涉及大量的数据,信号的调度严重影响卷积神经网络运算的并行性。本文根据卷积神经网络的各个处理单元、不同计算时刻对带宽和计算资源的不同需求,基于数据缓存量和设备优先级,提出了三级混合总线仲裁协议。混合总线仲裁协议可以作为通用的总线协议,用于各种卷积神经网络加速器设计。采用混合总线仲裁协议设计的卷积神经网络加速器可以减少加速器内部数据交换的冗余时间,有效提高卷积神经网络内部的带宽利用率,最大程度的保证各个处理单元的并行性,提高加速器计算效率。最后,基于数据设备混合仲裁的总线协议,结合本文提出的全连接层、卷积层的加速策略,本文完成了 VGG16和SqueezeNet卷积神经网络的硬件加速设计,实验结果表明,提出的加速方案可以有效提升计算效率和数据吞吐率。