近年来，卷积神经网络被广泛应用于语音识别、目标检测及图像分割等领域。随着卷积神经网络算法的快速发展，大规模的卷积神经网络模型消耗大量的计算资源和存储资源，给卷积神经网络的应用带来了许多挑战。目前，卷积神经网络主要部署在云端服务器，终端数据需要传输到服务器端处理，功耗高，处理延迟大。为了解决这些问题，基于FPGA的卷积神经网络加速器逐渐成为研究热点。然而，FPGA平台受限于片上资源和片外内存带宽。在有限的资源下，为实现高性能卷积神经网络加速器，对卷积神经网络进行压缩意义重大。
　　首先，本文分析了仿射量化的原理，并将仿射量化应用于卷积神经网络推理过程。根据仿射量化造成数据精度损失的原因，提出不同的量化参数求取方法。基于Tensorflow深度学习框架实现卷积神经网络量化推理过程，并分析了不同量化参数求取方法和不同量化精度对卷积神经网络top-1准确率的影响。为了提高量化后卷积神经网络的准确率，提出混合精度量化的优化策略。实验结果表明，通过使用合适的量化参数求取方式，将激活值和权值都量化成8位，可保证卷积神经网络的准确率下降在1%以内。
　　其次，本文基于Zynq-7000系列FPGA，实现了加入量化操作的高性能卷积神经网络加速器。根据卷积神经网络和嵌入式FPGA平台的特点，提出软硬件协同计算架构。在有限的片上资源的约束下，通过权衡DSP和LUT的使用来实现乘法器，对加速器的并行度和性能进行分析，选取了合适的并行度。针对1×1的卷积运算，提出复用并行度的设计。为提高DSP的利用率，提出使用1个DSP实现两个8位乘法器的优化策略。为提高分块速率，提出二维DMA分块策略。实验结果显示，本文提出的卷积神经网络加速器平均性能可达到416.3GOPS，在相同FPGA平台的加速器中性能最高。性能是CPU的3.75倍，能效是GPU的1.42倍。