随着卷积神经网络技术的不断发展以及在各个不同领域的应用,以其为框架所设计的算法已经遍布了目标检测、语音识别和自动驾驶等多个领域,应用场景也从服务器端逐渐走向了嵌入式移动设备端。但随着算法的发展,其从模型复杂度、计算量以及计算延时都有越来越高的要求,模型中网络层数的增加使得计算过程中关键路径的延时以及计算量的增加,从而导致了整个算法执行效率不高。余数系统是一种将二进制数用其余数表示的方法,将一个位宽较大的数采用几个位宽较小的数来进行并行运算,卷积神经网络中运算量最大的是卷积层中的乘法和加法运算,这正是余数系统的优势,并行的乘加运算能减少系统关键路径的延迟,但是在符号检测以及大小比较方面余数系统却并不能很好的胜任。随机计算是一种以概率的形式来实现电路运算单元的计算方法,与二进制相比,随机计算电路具有更低的资源占用及功耗,在大小比较、符号判断以及复杂函数的实现中都有更好的表现。本文结合了两种方法的优势将其应用于同一网络中,主要研究内容如下:首先介绍了余数的性质以及余数系统的概念,根据卷积神经网络的特点选定了余数系统的余数基,并根据该余数基完成余数系统基本单元的设计,加入了基拓展单元用于解决卷积过程中的计算溢出问题,提出了基于混合基的后向转换单元的改进电路,优化了基本方法中的乘法器单元,进而减少余数系统后向转换电路的延迟与资源占用。其次介绍了随机计算的基本概念以及基本计算单元,介绍了基于线性有限状态机的随机计算单元的方法以及利用随机均匀序列的可分割性,完成随机复杂函数电路的设计并利用其完成卷积神经网络中池化模块、激活函数以及分类函数的设计。最后完成基于余数系统的卷积单元以及基于随机计算的池化激活和分类单元,结合以上模块完成Le Net-5网络的硬件电路设计,并在PYNQ-Z2开发板上进行实验。通过对比分析卷积神经网络加速器的性能,包含检测时间、功耗和资源占用,将其结果与加权二进制下同一平台进行对比,优化后查找表资源同比减少了35.79%,触发器资源减少了5.61%,时间上也有所提升。