计算机视觉在当今工业物联网中发挥着重要的作用,而图像识别是计算机视觉中最重要的部分之一,卷积神经网络算法由于其较高的识别精度成为图像识别的首选。在很多图像识别应用中,由于对实时性有一定要求,所以神经网络的推理需要在本地硬件上执行,如无人机的碰撞检测等。并且由于GPU功耗较高,限制了其在功耗与资源有限的嵌入式平台上使用,因此需要一种高能效、可配置的卷积加速器来满足卷积神经网络算法在嵌入式平台上的应用需求。本文从卷积层的运算模型出发,分析了不同存储结构的能耗以及卷积层运算中多种数据复用方式,并结合二维计算单元阵列,提出了一种针对卷积层运算的卷积加速器架构。首先,采用了一种可配置的计算单元阵列,实现了与卷积运算映射的高度匹配,显著提高了计算单元利用率;然后,设计了一种带有本地存储并支持交错运算的计算单元,实现了计算单元对输入特征图的复用和中间结果的累加,明显减少了对输入特征图和卷积核数据的片外存储访问;最后,基于树型网络,设计了一种支持数据流处理的专用片上网络,实现了计算单元阵列对输入特征图和卷积核的数据共享以及中间结果的传输,满足了计算单元阵列与全局缓存之间的数据传输需求。本文首先基于硬件描述语言进行系统实现并通过Modelsim完成功能仿真,然后基于Vivado平台进行FPGA的验证,最后基于TSMC 90nm CMOS工艺,使用DC完成综合,EDI完成布局布线,并得到整体版图。通过对经典的图像识别网络AlexNet的卷积层进行实现可知,本系统在200MHz的时钟频率下,峰值吞吐量可以达到15.6GMACS,计算单元的平均利用率可以达到94%。并且本文的卷积加速器具有良好的可配置性,可以适应多种不同类型的卷积层运算。