作为人工智能的一个重要分支,深度学习近年来发展迅猛,在国内外引起了广泛关注。其中,卷积神经网络（Convolutional Neural Network,CNN）是深度学习中应用最广泛的架构的之一,在语音识别、图像识别、图像处理等多个领域得到广泛应用。传统的基于GPU/CPU的软件实现方式,由于其处理速度不够快,越来越不能满足手机等应用的需求,本文针对卷积神经网络,基于RISC-V架构,进行了CNN的协处理器的研究与实现。在深入研究各种卷积神经网络后,本文对一种经典神经网络算法进行了建模仿真实验,发现卷积运算作为CNN算法的核心,占据了90%以上的运算量,而且,卷积运算的核心又是矩阵乘累加,可以进一步提炼出原子操作。因此,本文基于RISC-V架构,设计了一颗支持CNN增强的协处理器:为了提高性能,首先本文基于RISCV指令集扩展增加了卷积神经网络相关指令,并进行了相应的矩阵运算内核单元、指令译码、执行等电路实现;同时,为了进一步提高运算速度,减少访存时间,在运算单元等功能模块进行流水线设计,同时进行了高吞吐率的紧耦合存储器设计;另外,由于矩阵运算的扩展指令为多周期指令,需要多个周期才能执行完并写回,会导致RISC-V的流水线结构出现数据相关性问题,本文还在指令派发阶段,实现流水冲突相关性检测电路,并相应的进行流水加速与优化。在完成电路设计实现后,本文搭建了UVM平台对电路进行了功能验证,最后,基于SMIC 110nm工艺,对电路进行了综合,本文设计的具有CNN协处理器的是40423等效门;另外,我们还进行了CNN协处理器设计前后的数据速率测试对比,不支持CNN功能的RISC-V架构的通用处理器本文选用的是蜂鸟处理器。测试结果显示,在能接受的芯片面积增加情况下,本文设计的CNN协处理器,大大提高了数据处理速度,能够满足应用的需求。