随着深度学习专用嵌入式计算系统的快速发展,以深度学习为驱动的应用正在从云端向边缘计算过渡,越来越多的嵌入式设备中嵌入了神经网络加速器。在复杂环境下将神经网络部署到嵌入式设备时,神经网络加速器可能会出现故障:比如由大气中子、放射性杂质、电压不稳定和器件老化等问题引起的软错误。因此,在安全关键应用中的嵌入式设备上部署神经网络的安全风险引起了人们的极大关注。所以,在神经网络模型在部署嵌入式设备之前,进行神经网络模型本身的容错性设计是非常必要的。一般神经网络容错性的设计,是从神经网络模型和神经网络结构搜索层面出发。对于神经网络模型层面来说,神经网络容错性设计已有的工作通常在神经网络模型中大量使用三模冗余技术来提高神经网络的容错能力,这种设计会引入大量的模型参数,并不适合部署在计算资源和存储资源匮乏的嵌入式设备上;对于神经网络结构搜索层面,其已有的工作只是搜索出分类性能很好的神经网络,并不能保证其容错性。为了解决上述问题,本文所做的工作总结如下:1、本文从神经网络模型出发,提出在神经网络模型中增加计算冗余结构超参数,通过贝叶斯优化的方法去优化这些超参数,最终获取附加在神经网络模型上最佳计算冗余结构,从而得到高容错性的神经网络模型。该方法在神经网络模型的错误注入率为1×10-4的条件下,使网络模型的精度下降不超过2.6%。相比全卷积层增加冗余保护的神经网络模型,该方法使神经网络模型部署在神经网络加速器上的平均计算量减少了37.7%。2、本文从神经网络结构搜索层面出发,搜索出容错性能更好的神经网络结构。与传统的容错硬件设计不同,本文利用神经网络固有的容错性,在神经网络结构搜索中结合错误注入指标,寻求对硬件故障容忍更好的神经网络结构。根据本文在MNIST、CIFAR10和CIFAR100数据集上的实验,以及在提出的容错神经网络搜索的错误注入率为1×10-4的条件下,最终搜索出来的网络模型预测精度比最佳基准网络分别高了19.08%、6.18%和12.53%,模型大小是基准网络的33%-85%。