深度神经网络具有并行计算、分布处理、自适应以及自学习等特性,深度神经网络的加速成为当前的热点之一。Field Programmable Gate Array(FPGA)作为一种可编程逻辑,具有很好的并行性、实时性、可重构以及可定制等特点,可设计实现深度神经网络。基于此,本文主要研究基于FPGA的深度神经网络设计与实现,其主要工作与贡献总结如下:(1)FPGA设计实现感知机的研究从感知机模型出发,实现了感知机的前向传输过程,为了使得它具有自适应性,增加减法器用于计算实际输出与理论输出的差值,增加更新单元更新权重以及偏置值。最后,用Iris数据集进行验证,准确率为92.3%。感知机是神经网络的基础,通过研究感知机的FPGA实现,为后续实现BP神经网络奠定基础。(2)FPGA设计实现Back Propagation(BP)神经网络的研究分析现有实现激活函数方法的优缺点,引入查表法和线性法相结合的方式设计激活函数。设计实现基于FPGA的神经元,根据BP神经网络的结构,提出不同层的复用方法,实现BP神经网络的并行计算。最后,用Iris、Banknote、Seeds数据集进行验证,BP神经网络的激活函数为本文提出逼近Sigmoid的函数时,准确率分别为93.3%、93%、86.7%,BP神经网络的激活函数为本文提出逼近Tanh的函数时,准确率为96.7%、94%、84.4%。(3)FPGA设计实现Convolutional Neural Networks(CNN)的研究本文设计实现的CNN有两层卷积层和一层输出层。在Tensorflow上训练CNN,使用本文的参数提取算法提取卷积层和输出层的参数到文本文件,用C语言写卷积神经网络,在关键部分加HLS参数,生成硬件结构进行加速,最后用Cifar-10数据集进行验证,准确率为83.2%。