卷积神经网络（Convolutional Neural Network,CNN）依靠复杂的结构和海量的参数在图像分类和目标检测等应用中展现出优异性能,但这也为CNN在计算资源和存储资源受限的边缘端硬件部署带来巨大挑战。模型压缩方法因能够减少CNN计算复杂度和尺寸,为CNN边缘端部署的资源优化提供了可行的解决方法。参数量化作为模型压缩方法的有效手段之一,通过使用较低位宽表示典型的32位浮点网络参数,能够使CNN以更少的计算资源消耗进行推理,从而为CNN计算的峰值性能提升创造了条件。基于课题组科研项目需求,本文采用MobileNet V3网络进行图像分类,由于该模型大部分计算集中在卷积层,为达到计算加速目标,本文重点对模型卷积层进行参数量化,并针对量化后的模型开展低位宽参数的定制化计算结构分析和设计,从而利用现场可编程逻辑门阵列（Field Programmable Gate Array,FPGA）实现基于特定位宽数据的计算系统。在同样的逻辑资源限制下,利用低位宽参数能够实现比浮点参数更高并行度的卷积计算,进而实现整个模型的推理速度提升,具体研究内容如下:（1）针对MobileNet V3推理过程中,因提取权重和中间计算结果导致的高延时片外数据访存问题,对模型结构进行压缩以减少片外存储与片上缓存的数据交互,从而避免由于低效率访存造成的额外能效开销。实验结果表明,本文轻量化处理方案将模型尺寸减小20倍以上,同时模型图像分类的性能损失小于3%。（2）针对模型各卷积层在提取特征信息上具有不同作用的特点,采用混合精度量化方法以实现与特征提取能力相匹配的位宽组合。本文提出基于卷积层绝对值平均的混合精度量化方法（Absolute value mean aware Weight Quantization,AWQ）,按照重要性确定卷积层参数的量化位宽,实现低位宽计算需求和模型特征提取能力的平衡。实验结果表明,AWQ混合精度量化后,卷积层能够完全以整数形式进行计算,同时模型对图像分类的性能损失不高于10%。（3）针对混合精度量化后模型各卷积层参数具有尺度差异,通用卷积计算单元无法满足所有层计算范围要求的问题,进行定制位宽卷积计算单元设计。本文分析混合精度量化后,各步骤卷积计算输入和输出的数据位宽,设计定制位宽的计算单元,采取算法优化手段,充分利用FPGA逻辑资源,实现高并行性、低延时的卷积计算。本文基于课题组在科研项目中实际的遥感图像处理应用实例,验证和分析FPGA加速器性能。实验结果表明,低位宽定制FPGA加速器可实现8.11GOPS（Giga Operations Per Second,十亿次计算每秒）的计算性能,相比未量化32位浮点数卷积能够获得48%的提升。