随着计算机视觉的快速发展,深度学习在图像、语音、文本等领域获得了巨大的成功。卷积神经网络更是结合了深度学习技术、人工神经网络和图像局部关联性等特性,能有效提取图像特征,特别适用于计算机视觉任务,在图像分类、物体检测、目标跟踪等任务中取得了显著的成绩。卷积神经网络算法是由大量独立的乘法和加法运算构成,而计算机视觉任务需要高性能计算处理能力,实现卷积神经网络算法的并行运算,对提高算法性能意义重大。FPGA具有很强的并行计算能力,以FPGA为代表的异构计算系统是一种很好的并行运算方案。OpenCL作为跨平台的开发语言,为基于异构计算系统的并行计算提供了一种全新的便捷开发方式。这种开发方式可以充分发挥卷积神经网络中的并行计算特性,实现卷积神经网络的高性能计算。论文基于卷积神经网络的LeNet-5经典模型,设计了手写数字识别系统,并采用MNIST数据集进行了系统参数的训练和样本的测试。对卷积神经网络算法进行计算并行性分析后,结合OpenCL技术标准和编程方法,设计了手写数字识别系统并行加速方案。结合异构计算系统硬件特性和OpenCL优化方法,从数据处理优化、存储访问优化和OpenCL库优化三个方面,对手写数字识别系统加速方案进行多种优化方案设计,进一步优化卷积神经网络算法的性能。论文在x86平台和异构计算系统上进行了手写数字识别系统的对比实验,分别测试了该系统的基本方案、加速方案和优化方案。实验数据表明,在完成相同的手写数字图像识别任务时,基于异构计算系统的并行加速方案和优化方案,相比x86平台上串行编程的基本方案,加速方案有很大的性能提升,优化方案较加速方案存在很大的性能上升空间。基于异构计算系统设计与实现的手写数字识别系统,可以更加高效的完成识别任务。通过对卷积神经网络算法的手写数字识别应用进行研究,可知异构计算系统在高性能计算领域有很大的优势,卷积神经网络也将凭借异构计算进一步提高计算性能、拓宽应用领域。