随着全球人口老龄化现象愈发严重,心血管疾病已成为人类健康的头号杀手,同时医疗资源的匮乏也给心血管疾病患者带来了极大的健康威胁,及时的干预和诊断是降低心血管疾病威胁的重要手段。随着人工智能算法和嵌入式技术的不断发展,利用可穿戴设备对心血管疾病患者进行及时干预和实时监控变成了可能。本文针对可穿戴设备应用场景,构建了一种轻量级的一维卷积神经网络（Cnvolutional Neural Networks,CNN）模型对心电图（Electrocardiogram,ECG）信号进行分类,并设计了一款用于心电信号分类的高硬件效率的卷积神经网络硬件加速器。本文对心电信号基础知识和卷积神经网络算法原理进行了详细分析,以此基础提出了一种轻量级的1D-CNN模型对ECG信号进行五分类,使用了MIT-BIH心率失常数据库对模型进行训练与测试,该模型结构精简并具有良好的分类性能,整体预测准确率可达到99.20%。随后,本文根据所提出的1D-CNN模型设计了面向心电检测的卷积神经网络加速器,加速器采用了一种高效的多并行展开策略以及多数据流的运算模式完成卷积循环的优化和加速,并配合所设计的核心运算单元能在时间和空间上最大程度复用运算数据,同时提高了硬件资源利用率,从而提升了硬件加速器的硬件效率以及整体运算性能。本文结合Modelsim软件对所设计的硬件加速器进行了功能仿真,该硬件加速器完成一次心拍预测仅需6019个时钟周期。本设计在Xilinx的ZYNQ系列So C ZC706硬件平台上完成了FPGA原型验证,整体预测率的硬件精度损失仅为0.01%,根据逻辑综合和布局布线后的资源报告显示,该设计消耗了1975个LUT、1272个FF、80个DSP、757片Slice,最大工作频率为216.5 MHz。所设计的卷积神经网络加速器的总体性能达到了30.4 GOPS,硬件效率达到了15.40 GOPS/k LUT,与同类文献的卷积神经网络加速器相比较,该设计在硬件效率、资源开销表现出色,在硬件资源有限的可穿戴设备场景中具有一定的应用价值。