神经网络的落地是近几年的重要研究发展方向之一,卷积神经网络因其特性,被广泛应用在图片识别和图像处理领域。随着深层的卷积神经网络在各大数据集上的精度越来越高,其网络框架也逐渐复杂,不利于移动端和嵌入式端的实际应用。因此,一批面向移动端的轻量级神经网络出现了,为移动端和嵌入式端的应用提供了可能性,相应的轻量级神经网络的加速和部署成了目前发展的一大热点。本文将轻量级神经网络与FPGA相结合,通过FPGA对典型的轻量级神经网络Mobilenet V2进行了加速实现。首先,本文对轻量级神经网络的国内外研究现状和发展趋势进行了介绍,列举了国内外为轻量级卷积神经网络设计和发展所做的努力。然后对国内外的轻量级神经网络的加速实现的研究现状进行了分析介绍,并在此基础上提出了本文的研究方向,即Mobilenet V2的FPGA加速实现。接着,对Mobilenet V2的网络框架进行了深入分析,并对其中涉及到的FPGA加速相关的知识进行了分析。在此基础上,对各个算子的加速框架进行了设计,并设计了相应的外部存储结构,从而提高外部存储的带宽利用率,接着给出了框架的具体实现过程。最后,对设计的Mobilenet V2进行了详细的测试,测试结果表明,本文提出并实现的基于FPGA的Mobilenet V2卷积神经网络加速框架各个模块工作正常,能完整实现Mobilenet V2的图片分类功能,并且在带宽受限的情况下,仍能达到与传统处理单元(ARM,CPU)相似或更快的图片分类速度,比优化过的ARM实现快44%,与优化过的CPU实现相比,性能接近,同时本文所设计的加速框架兼容性和可移植性强,在带宽不受限时,本框架的计算利用率为94%,在资源不受限时,本框架可以重复例化最小计算单元,从而实现更高的并行度,提高整体的计算速度。