伴随着深度学习技术的不断更新发展,深度学习在多个领域都有广泛的应用。当前的深度神经网络模型变得更为复杂,这就意味着模型的参数量与计算量越来越大,对于部署模型所用的硬件平台要求也是愈来愈高。然而,诸如自动驾驶、遥感卫星目标检测等任务时,需要在极低的延迟下对周围的目标进行检测识别。数据必须在边缘端完成主要的计算,但由于边缘端对于所使用的硬件平台有非常严苛的性能和功耗限制。因此,在功耗和性能受限的情况下,构建专用的能保持精度较高与处理速度较快的FPGA神经网络加速器是当前的研究重点。本文在FPGA平台上因此,在功耗和性能受限的情况下设计和实现了一款专用的FPGA神经网络加速器。主要工作如下:本文针对目标检测任务为出发点,设计训练了计算量较少与参数量较低的神经网络模型。对训练后得到的神经网络模型进行感知量化处理,使用定点参数替代单精度浮点类型参数。模型经此优化后能够以精度略微下降为代价换来参数量与计算量的大幅度降低。针对最后获得的模型搭建了一套可配置的、可移植的、计算量高的、低功耗的神经网络加速器。为降低平台功耗,本实验开发使用了DSP复用技术、加速器架构使用了层次化可缩放设计等;为降低资源使用量,加速器内部对数据使用了流式化读写技术、最小化数据读写技术等。对加速器采用多模块设计,能够以模块的形式对应神经网络中的计算类别,极大的增加了神经网络加速器的可复用性。实验结果表明,该加速器功耗较低,待机功耗在15W以内,正常运行时功耗在25W以内。该加速器计算量较高,每秒钟操作数在0.8T以上。在具体应用实验中能够高效的对海面舰船进行识别,对于海洋遥感图像识别速度在每秒70帧以上,准确率能达到90%以上。