高能物理对撞机实验中,对于碰撞事件的分析和辨别依赖于从探测器获取的末态粒子的类型和动力学信息。对于基于模拟数字转换器时间系统的探测器,从成形脉冲中提取准确的时间信息是其中的一个重要步骤。由于探测器系统的指数信号和随机噪声的存在,传统的曲线拟合方法不足以达到最佳的精度和效率。近年来,神经网络被逐渐应用于高能物理实验的数据分析中。由于神经网络算法计算量大,为满足快速实时处理数据的需求,需要采用硬件加速器对神经网络算法的计算进行加速。目前,国内外有许多针对脉冲参数提取的研究,常用的方法有曲线拟合,梯形滤波成形等,也有一些基于机器学习的方法,例如基于LSTM网络和基于种群遗传算法的参数提取。但这些研究大多用于离线数据分析。随着高能物理实验规模增大,产生的样本数量也逐渐增加,实时处理在线数据,减少数据存储成为一个重要的研究方向。本文基于降噪自编码器模型,设计了一种深度学习网络模型,用于完成从一维时间序列中提取时间信息的任务。并以该网络为基础,设计了一款基于FPGA的神经网络加速器。加速器通过重配置的方式分层复用硬件资源,以实现神经网络模型的推断。加速器的设计采用了数据复用的策略,减少了乘加运算对特征图数据、卷积核数据和部分和数据的访存操作。同时,为了使用有限的计算资源获得尽可能高的运算效率,加速器运用了多种提高并行度的方法以提高输入/输出端口的利用率。在具体的计算中,将计算任务分配到多个计算单元中,同时以空间加法树和时间加法树相结合的方式完成卷积层,解卷积层和全连接层的计算。经测试,在25MHz的工作频率下,加速器的峰值运算性能达到1.665GMAC/s。在对数据8bit定点量化的情况下,使用此加速器估计脉冲时间的时间分辨率达到0.01437μs。这一设计为在探测器前端电子学中实时预处理数据,减少数据离线存储量并提高脉冲时间提取精度提供了一种可能的实现方式。本设计将用于高能物理实验中量能器的读出电路中。