近年来,机器翻译,语音识别和文字预测等应用成为自然语言处理领域研究中的热点和难点,循环神经网络(Recurrent Neural Network,RNN)网络在这些应用中总能获得很好的表现,尤其是长短时间序列(Long Short-Term Memory,LSTM)。LSTM在RNN单元中加入了门单元,使得其长时间记忆能力更强,适合解决复杂的学习问题,但也带来了高计算复杂度和海量存储的需求。随着现场可编程门阵列(Field Programmable Gate Array,FPGA)计算力的增强,灵活性的提高,开发难度的降低,使得FPGA加速神经网络推理的研究受到广泛关注,但FPGA的存储资源相对有限,在满足FPGA存储的要求下高性能且低能耗的实现LSTM具有重要的研究意义。由于LSTM通常占用大量的存储空间,难以存储在有限的FPGA片上随机存取存储器(Random Access Memory,RAM)资源中。为了解决这个问题,本文通过对LSTM网络模型的研究,提出了一种压缩策略,并结合软硬件协同设计的思想实现一个基于FPGA的LSTM加速器。首先,本文分析了LSTM的权重特点,从现有的剪枝算法中选用权重矩阵结构化剪枝算法进行剪枝,获得易于硬件加速的稀疏矩阵。第二,本文提出了混合精度量化多层LSTM的方法,它可以减少多层LSTM的存储需求,并且将权重矩阵结构化剪枝和混合精度量化结合,最大程度的压缩多层LSTM。第三,针对压缩后稀疏矩阵的特点,本文研究了稀疏矩阵存储的方式,改进了CSC存储格式,进一步降低存储空间的占用。最后,本文基于Xilinx的Zynq系列FPGA实现了多层LSTM加速器,其中,Zynq的处理器系统单元(Processing System,PS)实现数据的预处理功能和Softmax函数,可编程逻辑单元(Processing Logic,PL)实现LSTM推理计算。本文通过手写字母识别和语言模型两个实验,证明提出的神经网络压缩方法的有效性。在语言模型中,本文提出的压缩方法将网络模型压缩了53.3倍,得到的困惑度与传统压缩方法压缩40倍相同;在手写字母识别实验中,本文提出的压缩方法将网络模型压缩42.6倍,得到的准确率与传统压缩方法压缩32倍相同。最后,本文在Xilinx的Zynq 7020 So C上实现LSTM加速器进行手写字母识别实验,测试LSTM加速器的能量效率,并与CPU和GPU平台进行对比,实验结果显示,LSTM加速器比CPU和GPU的能量效率提升了387.72倍和8.41倍。本文的设计方法可以为加速卷积神经网络(Convolutional Neural Network,CNN)、门控神经单元(Gate Recurrent Unit,GRU)等其他类型的神经网络提供参考。