三维卷积和三维反卷积在动作识别、视频生成、双目匹配等算法中获得了广泛应用。然而,对于这类三维卷积工作负载,现有专用加速器方案仍有提升性能和降低能耗的空间,特别是执行三维卷积与三维反卷积同时存在的网络时,存在大量乘数为零的无效运算和无效访存,导致能耗高且性能低下。因此,本文从优化数据流的角度,以高性能且低能耗地执行三维卷积和三维反卷积为目标,提出了一种利用数据可重用性的三维卷积加速器。首先,本文介绍了加速器的数据流和映射的描述方案,使用循环顺序和并行方式描述加速器数据流,使用切块等参数描述工作负载到加速器的映射。在此基础上,针对三维卷积提出了一种加速器数据流设计,并提出了相应的架构设计方案Uarch1,其核心是利用数据可重用性增加寄存器等片上低开销存储的访存次数,从而减少高开销访存,降低执行三维卷积的能耗。同时,为了快速评估本文设计的加速器执行工作负载网络的能耗和性能,完成了软件工具Uarch-compiler和Uarch-sim,并搭建了加速器的硬件描述,利用数字电路EDA的仿真结果说明了该软件工具评估的合理性。最后,针对同时包含三维卷积和三维反卷积的工作负载网络,本文利用反卷积结构化稀疏和分支结构改进了Uarch1的数据流设计,提出了三维卷积反卷积加速器Uarch2。Uarch2的核心是使用反卷积分解策略降低反卷积层的计算量和访存总量,使用层合并策略降低加速器执行网络中分支结构的高开销存储。实验表明,在典型三维卷积工作负载上,与经典反卷积加速器GANAX、三维卷积加速器Systolic cube相比,本设计Uarch2的执行时间分别减少了11%和28%,平均能耗分别降低了60%和43%。在SMIC 40nm工艺下,本设计的平均性能为459.4GOPS,能效为1.2TOPS/W。