在线语音正成为当前流行的人机交互方式,特别是对于可穿戴设备、物联网等应用。超低功耗和实时处理对于这些电池供电的移动便携设备至关重要。深度神经网络(Deep Neural Network,DNN)在语音处理上取得了巨大的成功,但其庞大的参数和计算也导致了过多的功耗开销。二值卷积神经网络(BCNN)可用于语音识别以减少存储开销和功耗,但也会带来10.0%左右的网络精度损失。本文以BCNN为基础提出了语音识别处理器,采用数模混合运算单元并且优化计算流程实现超低功耗,其次设计了自适应的数据位宽调整方案进一步节约能耗。为了弥补精度损失,设计了片上预训练与多种精度控制策略。论文主要工作包括:(1)面向常用词识别应用,设计了一种高能效的可重构二值化权重卷积神经网络(Binary Convolutional Neural Network,BCNN)加速器架构。BCNN加速器中包含的处理单元支持数模混合近似计算,与传统的数字近似计算架构相比,这项工作可以进一步提高BCNN加速器的能效。此外,与传统的模拟计算架构不同,本文的工作在具有不同噪声类型和不同信噪比的各种场景中都能保证良好的识别精度。(2)实现了自适应位宽调整的计算单元和基于时延的累加单元架构的设计,以及它们用于BCNN常用词识别的近似计算电路实现。其可以动态地重新配置计算单元的数据位宽以适应不同的计算精度要求,与标准计算单元相比,可显著降低能耗。本文基于TSMC 28nm CMOS工艺,完成了面向常用词识别的精度可控BCNN VLSI架构与电路设计,并完成了流片工作。仿真测试结果表明:常用词识别系统的功耗最低可达到78μW,其峰值能效达到163TOPS/W,在不同的噪声背景下,系统识别率可达到93.6%。