语音识别是当前深度神经网络的重要应用场景之一,语音唤醒技术,是一种识别少量词汇的关键词识别技术,是语音识别技术的一个重要分支。它具有的常开(always-on)特性决定了其对硬件功耗极为敏感,因此其多场景下低功耗的硬件实现非常重要。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产生过多的功耗。而具有一定可靠性和较少参数的二值卷积神经网络(Binary Convolutional Neural Network,BCNN)架构成为了实时低功耗语音识别的又一新突破口,其可以减少大量的存储开销和功耗。本文提出了一个关键词识别(Keyword Spotting,KWS)系统。本文首先对基于BCNN的KWS系统所要实现的算法和模型进行了分析,选择了基于梅尔频率倒谱系数(Mel Frequency Cepstrum Coefficient,MFCC)的特征提取算法,并优化了其中的一些具体算法。系统选择了BCNN作为声学识别模型的算法。接着介绍了KWS系统中的硬件实现,主要是特征提取模块和语音分类模块。语音分类模块主要是一个BCNN加速架构。这个加速器包含一个可重构计算阵列。基于卷积运算的数据重用轨迹研究,本文提供一种面向粗粒度可重构系统的卷积神经网络循环卷积计算数据重用的系统,可以加速完成大数量卷积计算的要求,降低对宽带的压力,并且卷积运算阵列是可配置的。最后,本文基于迭代对数近似乘法设计了动态计算精度和支持多位宽计算的近似乘法基本单元,分析了不同位宽误差修复电路对近似乘法器计算精度的影响,设计了两级误差计算模块,根据不同的计算精度需求,通过power-gating开启或关闭相应的误差计算模块,达到控制计算精度的功能,本文还以4-bit×16-bit的近似乘法器作为近似乘法基本单元,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,可将能耗显着降低能耗。本文提出的卷积网络加速器方案在TSMC 28nm CMOS工艺下,当电压为1.1V,主频为50MHz时,能效达到了34TOPS/W。当系统选择4bit数据位宽计算时,功耗低至0.6mW,与传统加速器方案相比,功耗降低至30%,且识别率高达94.7%,提升了5%。