近年来,深度神经网络受到了越来越多的关注,其中卷积神经网络能够在时间与空间上提供平移不变性,它在语音识别方面有较好的应用。目前卷积神经网络主要在CPU或GPU上进行实现,但是无法同时达到高计算速度与低功耗的双重要求;而由于FPGA计算资源丰富、计算并行度高,功耗较低,并且兼具便携性,使用FPGA进行卷积神经网络的加速引起了越来越多研究人员的关注。本文针对应用于语音识别中声学模型的一个7层的卷积神经网络,将该网络的前馈计算过程进行定制化实现。为了减少FPGA内存储资源的消耗、降低带宽要求,在数据量化方面整体采用16位定点数据进行计算。在硬件实现方面,为了提高系统的吞吐率,采用流水线结构,并且提高了系统的并行度。通过分析网络内的并行性,在水平方向复用卷积核参数,在对角线方向复用输入数据进行卷积层的计算,并通过资源复用优化全连接层,节省了硬件资源,通过PCIe实现PC与FPGA的数据交互。最终本文实现的卷积神经网络在Intel Arria 10 FPGA上进行了验证。在150MHz的系统时钟下,达到了159.5GOPS的计算速度,其功耗为15.43W,能效比为240.7f/s/W,相比于Tesla K40 GPU达到了2倍的加速比与8倍的能效比。