随着人工智能和机器学习的迅猛发展,卷积神经网络作为深度学习的代表算法可以轻松实现图像识别和分类任务,被认为是目前最有效的图像处理方法,在自然语言处理、计算机视觉等领域得到了广泛的应用。随着图像分类中识别精度要求的提高,研究人员提出的卷积神经网络模型结构越来越复杂,参数量和计算量迅速增长,卷积神经网络对处理器的计算性能和数据存储带宽要求也随之不断提高,传统的处理器已经难以满足其要求,促使处理器的架构朝着多核、众核、异构GPU、嵌入式芯片等方向发展,根据处理器体系结构特点加速卷积神经网络的计算成为当前业界的研究热点。本文基于国内外卷积神经网络和相关的处理器发展现状系统的对比分析了多种加速器的优劣势,探讨了影响算法性能的主要因素和汇编代码优化方法,并重点针对多核向量加速器Matrix2的体系结构特点提出了一种高效的VGG卷积网络模型并行和向量化实现与优化方法。本文主要研究工作如下:首先,重点针对VGG网络模型提出一系列算法优化方法:(1)根据Matrix2向量处理器体系结构特点,将多维卷积计算转化为高效的矩阵乘法计算,并设计了按行计算的向量化计算方法,实现了FMAC高效利用。(2)根据VGG16网络模型特点,利用数据布局、软件流水等方法设计了优化的池化和全连接层向量化实现方法。(3)根据卷积层、池化层和全连接层的计算和数据传输特点,设计了相应的基于DMA双缓冲的优化数据传输方法,最大限度的将计算时间与数据传输时间重叠,有效的提高了网络模型的整体计算性能。(4)根据VGG16网络模型的卷积核参数共享特点,通过多核数据布局、DDR外设地址划分、数据同步批处理和组播DMA等方法设计了高效的多核并行VGG16网络模型实现方法。其次,利用GCC编译器生成VGG16网络各层神经元的输入数据,在GCC上搭建VGG16网络计算出对应输出,并在Linux操作系统中利用NC-Verilog搭建的Matrix2软件仿真环境对VGG16网络模型汇编程序进行仿真和调试,保证了两仿真环境下输出的唯一性。最后,对Matrix2处理器进行VGG16网络模型映射,并借助已经训练好的卷积核模拟真实环境进行图像识别。实验结果表明,本文提出的VGG16网络模型并行和向量化优化方法的内核计算效率高达93%,网络整体性能高达115帧/秒。综上,本文提出了一种多核并行VGG16网络设计与优化方法,实现了高效的计算效率,对于其他深度学习算法的移植也有积极的借鉴意义。