近年来,随着深度学习技术的不断发展,卷积神经网络在图像识别、场景分类、语音识别等多个应用领域展现出了巨大的优势。然而在解决更加抽象和复杂的问题时,卷积神经网络本身也变得更加复杂,网络规模更加庞大,算力要求也更高。如何加快卷积神经网络的计算速度,使其能够较好的部署在移动端从而降低延迟、增加系统性能成为了亟待解决的问题。FPGA作为一种可编程逻辑器件,其功耗低,体积小,性能强,非常适合部署在边缘计算移动终端上,同时其硬件电路实现算法的实现方式和并行计算的特点与卷积神经网络的运作方式十分契合,是实现卷积神经网络移动端部署的理想平台。本文首先介绍了卷积神经网络的基本原理,选取三个典型的卷积神经网络进行分析,然后对卷积神经网络的FPGA计算方式及优化方法进行深入研究,探索了在FPGA硬件平台部署实现卷积神经网络的有效计算方式,具体工作包括:1.提出了一种权重可重配置的卷积核模型,该模型使用具有数据接口的权重寄存器,在每次卷积计算开始前,将存储在外部的权重数据导入卷积核内,计算完成后复位卷积核,达到卷积核复用与最小化卷积神经网络中需要固化的卷积核数量的目的,降低了大型卷积神经网络对于FPGA内部资源量的要求。2.采用了一种新的串行数据流模型,优化了卷积计算中数据流的控制方式,降低了用于读取内存数据的时钟周期占比,增加了计算效率。同时配合数据动态缓存,在一个时钟周期内即可完成一次卷积计算,减少了用于缓存中间数据所需要的内存容量。3.将卷积层与池化层抽象为两级流水,在卷积计算的同时进行池化计算,打破了卷积神经网络计算过程中层级间的串行关系,增加了系统的数据流处理速度,进一步提高了系统的计算性能。4.以Lenet5网络为例,在ZYNQ平台上搭建了用于手写体识别的卷积神经网络计算测试系统,实现了卷积神经网络内部各个模块的编程与仿真,最后使用16位数据对网络进行量化,完成了对MNIST手写体数字数据集的分类测试,取得了较好的成果。分类准确率为97.6%,100 MHZ系统时种下,计算速度为GPU的1.15倍,系统整体功耗为GPU的2.3%。较好的满足了移动端部署卷积神经网络的性能与功耗需求,对卷积神经网络系统的实用化具有积极意义。