卷积神经网络被广泛地应用于图像分类、语音识别等领域。复杂多样的应用场景对网络计算的速度与能耗提出了更严苛的要求,并因此催生了一大批专用加速器。然而基于CMOS器件的加速器通常采用存算分离的冯诺依曼架构,由于数据在存储单元和计算单元之间的频繁搬移引入了大量功耗。基于以忆阻器为代表的新型非易失器件可以方便地模拟生物神经突触结构,实现突触权重存储与乘累加运算一体的非冯计算架构,并极大地提高计算能效,因此在神经网络加速领域有较大优势。本文面向基于忆阻器的卷积神经网络加速器架构,从数据复用策略、互联结构、任务分配策略三个方面出发,研究加速器设计和应用过程中的关键问题,为加速芯片的设计与应用提供理论基础。本文的主要贡献如下:1、提出了一种面向忆阻卷积神经网络加速器的数据复用策略,实现了推理过程中存在的三种类型的数据复用。首先针对卷积神经网络推理计算过程中存在的数据复用类型,设计了一种权值映射方法,通过将卷积核按行拆分成三个部分并分别映射到不同的阵列,为数据复用提供了基础。然后提出了一种数据复用策略,实现了在横向、纵向卷积滑窗过程中输入数据、权重和中间结果的复用,并设计了相应的数据缓存结构。仿真评估结果表明,对比现有工作,采用本文所提出数据复用策略的计算平台在相同的能耗下实现了1.6倍的处理速度提升。2、提出了一种面向忆阻卷积神经网络加速器的层次化互联结构,提高了数据传输的效率。针对计算过程中处理单元之间数据传输具有大型并行多发、多播通信的特点,设计了一种层次化互联结构。该互联结构首先将多个计算瓦片聚合在一起形成一个计算簇,再通过片上网络将簇连接起来。仿真评估结果表明,在并行多发多播的流量模型下,该互联结构相比对照互联结构在传输延时和吞吐率方面有较好表现。3、提出了一种面向忆阻卷积神经网络加速器的任务分配策略。首先针对网络各层计算进度不一致、硬件资源的利用率低等问题,提出了一种任务图生成策略,有效地均衡了各层计算进度、提高了资源利用率。在此基础上,提出了一种基于遗传算法的任务分配算法,实现了处理任务与计算单元之间的良好匹配以及片上互联结构的负载均衡。仿真评估结果表明,对比现有工作,采用本文所提出的任务分配算法能够减小数据传输的能耗,均衡片上网络中各链路的负载,在传输能耗与链路负载标准差方面最高分别实现了46%和36%的降低。