多波束前视成像声纳利用换能器阵列获取多通道水声回波信号,通过波束形成等数字信号处理算法获得水下前方目标的声纳图像,成像分辨率较高,帧率较快,为水下目标识别检测提供了基础。如今,卷积神经网络在水下目标分类识别、水下目标检测和语义分割等多个工程应用领域得到成功应用。然而深度卷积神经网络DCNN模型通常存在大量冗余参数,需要占用大量存储空间和消耗大量计算资源,难以部署到现有的多波束前视成像声纳这样的嵌入式设备上。因此,本文研究了用于水下目标分类识别的深度卷积神经网络模型压缩算法,并对DCNN系统中的卷积运算模块进行了FPGA实现。本文的主要工作如下:1.研究了目前常用的DCNN的基本组成架构,分析了经典的网络模型及参数量,并构建了水下目标识别检测中所用到的前视成像声纳数据集。本文构建的前视成像声纳数据集共包含了7类水下目标样本,训练集与测试及比例为8:2,随机选取2500张前视成像声纳图像用于训练,并采用1000张进行测试。2.提出了一种基于梯度L1范数的剪枝（GLNP）算法。首先在保持神经网络精度不变的前提下,根据梯度的L1范数准则来判断滤波器的重要性;然后根据剪枝百分比,逐层去除滤波器及其连接特征图,以便减少神经网络所需的存储空间;最后将剪枝后的DCNN模型进行重新训练,恢复原始的精度。此外,本文采用压缩后的模型在多波束前视成像声纳数据集上进行了应用测试,实验结果表明采用剪枝后的模型对声纳图像目标识别精度的影响可忽略不计,且对于VGG-16网络模型参数量减少了71%,Res Net-56网络模型参数量减少了35.2%。3.提出了一种基于权重和激活值的幂指数量化（WAPQ）算法。普通的二值和三值量化压缩方法虽然可以有效解决存储资源占用多和计算力消耗大的问题,但牺牲了网络模型的分类精度,而且所牺牲的精度大都是不可忽略的。该算法更好地解决了量化压缩后的精度下降问题,并降低了硬件实现的难度。此外,本文采用压缩后的模型在前视成像声纳数据集上进行了应用测试,实验结果表明在保证分类精度的前提下,将剪枝后的VGG-16网络模型和Res Net-56网络模型继续进行量化压缩,可分别达到34.1倍和12.3倍的压缩。4.本文在已有多波束前视成像声纳FPGA实现框架基础上,引入了DCNN系统的FPGA实现框架,设计了深度网络中的通用卷积运算模块,该模块可以实现单周期的运算结果。在多波束前视成像声纳数据集上进行了验证,该模块可以在224×224个时钟周期内输出一幅大小为224×224图片的卷积运算结果。另外,本文针对线列阵多波束前视成像声纳加权系数的传统预先存储式生成方法,造成随机存储器RAM资源占用过多的问题,提出了基于CORDIC的实时生成加权系数的FPGA实现方法,该方法可降低77%的RAM资源,有效地均衡了RAM资源与逻辑资源的占用率,为卷积神经网络部署在多波束前视成像声纳嵌入式设备中提供了足够的资源利用空间。综上所述,本文完成了DCNN模型压缩算法的优化,包括剪枝算法和量化算法,并在已有多波束前视成像声纳FPGA实现框架上,加入了深度学习的卷积运算模块的FPGA实现,且优化了原有的加权系数模块以节省FPGA片上资源,对于DCNN部署在多波束前视成像声纳嵌入式设备上的研究具有重要的工程应用价值。