卷积神经网络(Convolutional Neural Networks,CNN)是诸多人工神经网络中的一种,基于卷积神经网络的目标检测凭借其识别精度高、鲁棒性良好、易于实现等优势,在深度学习领域受到了广泛关注。然而,随着识别精度要求的提高,CNN的参数规模越来越大,海量的卷积计算影响了运算速度,同时,浮点数的卷积计算复杂度高。因此,卷积神经网络定点化加速计算已成为目前卷积神经网络在嵌入式设备上优化计算的一个重点研究方向。本文针对卷积神经网络参数规模大、计算复杂度高以及在资源受限的设备上运行速度慢的问题,提出了一种基于现场可编程门阵列(FPGA)的CNN参数定点化计算方法。根据CNN模型参数分布和卷积计算特点,分析了导致CNN模型计算速度慢的关键因素,提出了一种基于FPGA的定点化加速卷积计算方法。为了进一步减小CNN参数定点化位宽长度,同时保证较小的精度损失,提出针对卷积神经网络输入特征图参数量化的优化策略。同时,从FPGA定点计算方面进行优化,使定点化后的卷积神经网络能够适应FPGA的硬件资源配置,从而充分利用乘加器等资源,最大化加速卷积计算。为评估定点化方法和定点计算模型的有效性,本文选取了多个CNN模型作为被测对象,设计动态定点化方法对模型的权值参数和输入特征图参数进行量化,并分别对量化前后参数文件大小、精度变化和运行速度三方面进行了对比和分析。实验结果表明,在满足基本CNN模型结构的前提下,本文提出的基于FPGA的定点化加速卷积计算的方法是可行且有效的。相较于传统的浮点卷积计算,本文提出的定点计算方法,在保证CNN模型精度损失不大于2%的前提下,当权值参数和输入特征图参数量化达到7Bit时,存储空间压缩了约4.5倍,卷积计算加速了约18.69倍,同时提高了 FPGA中乘加器的利用率,是一种有效的卷积神经网络定点化加速方法。