目标检测是计算机视觉基本任务之一,随着深度学习时代的到来,基于卷积神经网络的目标检测算法得到长足的发展,然而算法的产品化落地问题还亟待解决。YOLOv2检测网络作为一个性能优良且能达到实时性要求的目标检测算法,具有结构简单,网络层数相对较少的优点,是将目标检测算法进行产业化落地的一个很好的选择。FPGA的并行计算、可重构性与低功率使得其是将基于卷积神经网络的目标检测算法移植到嵌入式系统一个很好的平台方案。首先,为了在FPGA平台上能更高效部署YOLOv2检测网络,本文对YOLOv2检测网络的存储空间以及计算方式利用增量网络量化的方法进行优化,将单精度浮点数格式的权值量化成2的整次幂,利用4位位宽对其进行编码,使得YOLOv2检测网络模型大小减少了近8倍,同时,卷积层中的浮点数乘法可以转化成定点数的移位操作,并且量化后的YOLOv2网络在Pascal VOC2007数据集上的检测性能与量化前的性能保持一致。其次,考虑到YOLOv2检测网络是在卷积神经网络的基础上提出的,为了我们的设计适用于其他的基于卷积神经网络的目标检测算法,本文分析了并且在FPGA上实现卷积神经网络通用的模块,通过对各模块的功能仿真,验证了我们设计方案的正确性。最后,受限于FPGA平台的计算资源以及内存带宽,基于FPGA的YOLOv2检测网络在前向推断的计算过程中需要对每一层进行分块计算,为了充分利用FPGA平台的计算资源以及内存带宽,本文利用Roofline Model挑选最佳分块参数。另外,为了减少对外部存储的访问次数和推断时间,本文使用了双缓冲机制并且在不同的层之间引入了流水线操作。实验结果表明,在Zynq7000系列,芯片型号为xc7z035ffg676-2的开发板上,工作频率为100 MHz情况下,本文提出的基于FPGA的YOLOv2检测网络能达到3.2帧每秒。