卷积神经网络（Convolutional Neural Network,CNN）在计算机视觉、自然语言处理、语音识别等诸多领域取得了巨大的成功。然而,随着CNN性能的提高,其模型结构日益复杂,计算规模也越来越大,这成为了其在移动平台上部署的瓶颈。近几年的研究表明,CNN模型中存在着大量冗余,即使将其中的计算数据量化到较低的位宽也能保持较高的精度。而对于这种低位宽数据的计算,现场可编程逻辑门阵列（Field Programmable Gate Array,FPGA）有着巨大的优势,另外,使用FPGA还可以设计出高度契合CNN计算特点的并行计算结构。基于此,本文采用“算法-硬件协同设计”思想,协同考虑CNN量化方法与FPGA硬件加速器设计,旨在探究出一种工程上可行的、面向移动平台的卷积神经网络加速部署方案。本文主要的研究内容及创新点如下:（1）为了优化已有的CNN算法使其更符合FPGA的计算特点,降低计算所需的代价,提出了一种CNN低位宽量化方法。该方法包含可学习参数的软截断量化方法来实现权值量化,并用可学习截断参数方法进行激活量化,通过反向传播自动优化量化参数最小化精度损失。完成权值和激活量化后将批正则化层与卷积层融合,并将融合后的偏置和量化间隔进行进一步整型化。该方法能够将卷积神经网络中的权值参数量化到4bit,激活值量化到3bit,且实现所有参数全整型化而保持网络精度趋于无损。（2）针对低位宽量化的CNN模型设计了一套可配置的高性能、低功耗硬件加速方案。为提高量化后CNN模型向前推理时的计算效率,设计了一种使用FPGA中单个DSP单元实现6个低位宽乘法的并行计算的方法。在此基础上,针对（1）提出的量化方法定制了专用的计算加速单元。而后针对类VGG结构卷积神经网络的特点设计了一种流水线型的架构,将网络模型中的所有的参数都置于片上,并将CNN中的所有层都置于片上采用流水线的形式并行计算。实验结果表明,该加速方案能实现568.2 GOPs的实际吞吐量,相对于ARM Cortex-A53CPU实现了761.4倍加速。其性能功率比是因特尔I7 9700K CPU的135.7倍,是GTX 1080 Ti GPU的27.1倍。（3）设计了适用于无人机使用的单目标检测系统。为无人机目标检测场景设计了单一小目标检测算法,并应用（1）和（2）的优化加速方案,对算法进行优化和构建加速器。在此基础上构建了适于无人机使用的单目标检测系统。实验表明,该目标检测系统在DAC-SDC比赛数据集上实现了285FPS的目标检测速率,精度IoU为0.679,功耗仅5.1W。