如今,卷积神经网络（Convolutional Neural Networks,CNN）广泛应用于计算机视觉、语音识别和机器人技术等的人工智能（Artificial Intelligence,AI）应用中。尽管在大多数AI任务上CNN可以保证极高的准确性,但这往往是以高计算复杂性为代价的。因此,在保证一定准确性或不增加硬件成本的情况下,对CNN进行有效处理以提高能源效率和吞吐量的技术对于CNN在AI中的广泛部署至关重要。为此,在算法领域中,二值神经网络（Binary Nerual Network,BNN）由于极大降低数据量和计算成本,成为CNN算法领域新的研究方向;而在硬件领域中,现场可编程门阵列（Field-Programmable Gate Array,FPGA）凭借其高能源效率和可定制的特点,具有极大的潜力。但是,BNN专用硬件加速器研究还不够深入,在输入卷积层、复合层和边缘“0”数据计算方面还存在大量优化空间。针对这上述方面,本文提出一种基于FPGA的高能效低成本BNN硬件加速器方案,主要工作包括:（一）提出一种基于量化和阈值优化的完全二值化预处理方法。针对BNN第一层输入卷积层计算特殊性问题,本文在BNN推理前,将待识别图像进行预处理,将输入图像数据的位宽量化为1bit。同时,为了降低量化对BNN识别精度的影响,在训练时进行阈值优化,选择最优阈值作为推理过程中使用的阈值。该方案将输入图像二值化,使第一层输入卷积层与其他卷积层的计算形式一致,降低传统方案的功耗和硬件成本。（二）提出一种基于复合偏置和6:2压缩的组合计算方案。通过分析BNN中卷积层、批量标准化层和激活函数层计算的连续性,对3个层的计算公式进行组合及变化,结合FPGA硬件资源的特点,提出一套高效低成本的BNN硬件计算方案。本文设计基于6:2压缩的乘累加计算单元,同等计算量情况下,减少60%的LUT硬件资源消耗;同时对卷积层、批量标准化层和激活函数层进行组合和优化,设计复合偏置计算单元,相较于传统方案,所提方法最多可减少80%数据存储量、500%计算周期和600%的硬件资源消耗。（三）提出一种精度无损的低功耗边缘跳过方法。针对BNN硬件无法识别算法中边缘“0”数据的而导致的额外计算代价等问题,本文提出一种使用跳过边缘“0”数据计算的方式,无需存储和计算边缘数据,同时可以达到与算法中包含边缘“0”数据计算相同的结果,且实现硬件与算法识别准确度一致。实验表明,该方案可降低20%的数据存储量和30%的计算量,同时相较于算法精度损失为0。