21世纪已经迈进了一个智能化的世界,智能这个词渗透我们生活的方方面面,从最普通的智能手机、智能家居到近期热门的无人驾驶汽车,无一不显示出智能应用在生活中的重要性。但在终端应用上实现真正的智能化,需要在硬件上实现智能化,不依靠强大的云服务,在终端即可完成推理的过程。随着深度卷积神经网络的发展,它可以在许多方面实现更高的准确性,包括计算机视觉,语音和自然语言处理,将其应用在终端上具有巨大的市场,因此研究一款专门面向卷积神经网络的芯片是具有重要研究意义。卷积神经网络计算在硬件级别的性能效率提高需要克服与大量卷积计算的问题,因此存储器带宽和功耗都是需要解决的问题。同时CNNs模型大多采用不同大小的卷积核,因此设计的加速器架构支持多种卷积操作是很重要的。本文设计的加速器适用于各类型卷积神经网络结构的计算,并与各种尺寸的卷积计算兼容。其总体结构由数据缓存区、寄存器组、结果缓存区和核心的PE阵列区组成。这个高性能可重构的加速器,对经典的CNN模型进行了优化处理,如AlexNet和GoogleNet,支持1×1/3×3/5×5/7×7/11×11等卷积处理。设计的体系结构由4个通道组成,每个通道由24个并行PE组成,每个PE分配9个乘法器以构建结构化处理单元,这可以使得结构紧凑,减少面积。为了配合PE单元的高速计算,本文设计的结构尽可能从SRAM访问数据,同时设计相应的寄存器组,预读取数据,减少数据冗余和相应的功耗。该架构集成在TSMC65 nm CMOS工艺中,可实现500 MHz的核心频率,并实现864 GOPS的峰值性能,在1V工作电压下的功耗为930.9 mW,核心面积为5.88 mm~2。在AlexNet和GoogleNet卷积层上分别实现了575.9 fps和236.4fps的吞吐量,平均性能分别达到了766.8 GOPS和747.8 GOPS,能量效率分别达到了823.7 GOPS/W和803.3 GOPS/W。与国际上主流的同类设计相比,所提出的架构实现了2.47倍的能效,1.9倍至5.4倍的面积效率,以及AlexNet基准参考的26.95%至27.35%的更高计算效率。本文研究并提出的高性能CNN硬件加速器结构,对提高硬件处理神经网络相关的计算效率和数据处理量具有重大意义。且设计的卷积神经网络加速器可以达到实时处理的性能,适用于各类终端产品,具有很高的研究价值。