随着近年来人工智能、大数据等新兴事物的蓬勃发展,人们对高性能计算的需求大幅增加。尤其是人工智能的飞速发展,应用领域越来越广泛,应用场景越来越复杂,各种新型算法模型的快速迭代更新,对硬件计算能力的要求越来越高。传统的GPU设备计算性能优越,但是功耗问题日益严重,FPGA设备具有功耗低、能效高的特点,在加速计算领域有广阔的应用前景。传统FPGA开发流程长,开发门槛高,OpenCL标准的出现极大改善这一状况。矩阵乘法是经典矩阵处理算法,在气象预报、核子物理、深度学习中广泛应用,Squeeze Net神经网络模型是经典的小规模卷积神经网络,参数少,易于在FPGA上部署。因此本文基于FPGA异构平台,研究矩阵乘法、Squeeze Net模型的OpenCL加速实现。本文首先介绍异构计算和OpenCL标准相关知识,并根据FPGA架构特点,将本地内存考虑在内,建立适用于FPGA的性能分析数学模型。然后分析矩阵乘法、Squeeze Net模型的复杂度和计算并行性,给出提高计算并行性的设计思路。根据分析结果提出优化方案,对于矩阵乘法,采用分块计算的优化方法,将数据分块存入本地内存,以减少数据读取时间,利用性能分析模型得到设计的性能瓶颈在于DSP处理速度。对于Squeeze Net模型,设计通用卷积加速内核和池化加速内核,通过复用的方式实现整个网络模型,实现卷积运算时,先将卷积层的三维输入映射成二维输入矩阵,将卷积层的三维卷积运算转化为二维矩阵乘法,利用矩阵乘法的优化方法优化卷积运算,设计数据读取内核实现数据分块读取和存储,卷积内核从数据读取内核读取数据进行矩阵相乘运算,结果传给数据写入内核输出;实现池化运算时,展开池化计算循环,采用多输入并行的方法加速计算;利用性能分析模型得到卷积加速内核设计的瓶颈在于DSP处理速度,池化加速内核设计的瓶颈在于全局内存带宽。本文最后基于FPGA异构计算平台,使用OpenCL标准实现上述优化方案,并将结果与CPU、GPU平台进行比较。结果表明,制程落后的FPGA平台的性能功耗比最高,在矩阵乘法算法上表现是CPU的14.75倍,GPU的1.83倍,在Squeeze Net模型上的表现是CPU的10.48倍,GPU的1.12倍,说明FPGA平台具有比CPU、GPU平台更高的能效。