卷积神经网络(Convolution Neural Network,CNN)在计算机视觉领域得到了广泛的应用,特别是在图像的识别、分割以及目标检测等方面突显出了较好的应用前景,但是目前大部分卷积神经网络系统基本上都是在GPU环境下运行。尽管GPU能够实现实时处理,然而其功耗大,成本高,难以满足一些低功耗低成本应用领域的要求,因此能够研究出一套速度快、准确度高以及功耗低的目标检测系统具有重要的实际意义。与其他目标检测神经网络相比,结构简单、检测速度快的YOLO(You Only Look Once)卷积神经网络更适合应用于低功耗设备。目前已经有一些相关研究将YOLO运用于低功耗设备,由于在ARM架构的嵌入式设备上运行神经网络,其速度非常慢,因此大多数是基于FPGA开发的专用硬件加速器。虽然相对于ARM,基于FPGA的专用硬件加速器大幅提升了目标检测速度,但是其实现难度大,开发周期长。通过分析卷积计算的并行性和Tiny-yolo网络结构的并行特征,基于ARM+FPGA双架构的ZC702开发板,使用HLS进行硬件加速。通过权衡网络的运行速度和硬件资源的消耗,以流水线并行处理算法为主,定点运算为辅,设计了3个IP核,在提高运行速度的同时,大大缩短了开发周期。实验结果表明:经过硬件加速的Tiny-yolo网络比未经硬件加速的版本在速度上提高了6到7倍。由于加速的网络采用了定点计算,与原始的浮点数据类型的网络相比,目标检测结果有一定的误差,但基本能够保持较高的检测精度,适合应用于实际工程之中。