近年来卷积神经网络在图像分类领域取得了突破性进展,但是由于网络模型较大,数据量和计算量导致了算法模型运算效率不高。部分人通过将卷积运算转为矩阵运算,并使用现有的矩阵运算加速架构进行加速,但是这一过程导致了了内存重复调用造成的时序浪费问题,并未完全实现加速的目标。有些人通过算法模型的精简给硬件加速器的设计提供了基础,MobileNet-V2就是其中之一。本文以MobileNet-V2作为算法模型框架,以模型中占比最大的深度可分离卷积的计算加速为目标,以流水线化的计算和多路并行的数据通路为核心思想,设计了图像分类可编程片上系统（SoPC）,并取得了预期内的精确度和优秀的加速效果。首先本文分析了MobileNet-V2的网络模型细节,并分析了算法与FPGA设计的适配性。通过梳理计算过程中的数据流向,制定了相应的硬件架构和加速策略。同时,本文还对现存的加速器架构方案进行了分析,讨论了这些方案与本设计目标的适配性,并相应提出了自己的解决方案。然后本文根据所提出的创新性硬件架构方案,将重心放在了深度可分离卷积加速计算模块的硬件设计上。为了达到数据传输与计算的时序相互协调的目的,采用全流水线化的计算方式,通过多条数据通路并行的架构,来拓宽内部数据传输的带宽,使得硬件资源充分地利用起来。为了避免重复访问内存造成时序浪费,本文创新性地提出了三行缓存器结构和对齐FIFO缓冲模块,使得DW卷积模块和PW卷积模块拥有了良好的封装性和自适应性,能够自动根据特征图尺寸调整流水线级数和计算时序。最后为了配合加速器模块进行计算,通过PC设计用户可交互界面,通过PS进行数据中转和接口调用,最终达到了软硬件协同的效果,实现了图片分类系统的功能。本设计以ILSVRC2012数据集和Caltech101数据集中部分图片为例,采用16位8定点化策略,在100MHz的系统频率下,经过硬件加速可以达到每张图片分类时间在12.01ms左右,精确度损失低于10%,达到了预期目标,取得了不错的加速效果。