近年来,基于神经网络的目标检测算法在自动驾驶、身份认证、国防安全和医疗卫生等领域都有着飞速的发展,这些领域更多的是嵌入式环境下的应用,对设备的性能、功耗和尺寸都有严格的要求。因为神经网络具有巨大的计算量,单纯依靠通用中央处理器（Central Processing Unit,CPU）计算难以达到性能要求,需要使用其他处理方法进行加速。目前主流的加速方法中,图形处理器（Graphics Processing Unit,GPU）尺寸大、功耗高,在小尺寸低功耗的嵌入式平台上难以应用。专用集成电路（Application Specific Integrated Circuit,ASIC）过于定制化,跟不上神经网络迅速更新的快节奏。相比之下,现场可编程门阵列（FieldProgrammable Gate Array,FPGA）具有低延时、低功耗、并行化计算、可编程的特点,更适合用于嵌入式系统环境下神经网络的硬件设计。针对自动驾驶在嵌入式系统环境下检测其他车辆的应用需求,本文在FPGA平台上实现了基于卷积神经网络的目标检测算法的硬件加速。本文的主要工作包括:首先,对主流的应用神经网络的目标检测算法进行分析,从中选择了YOLOv3-Tiny算法进行硬件加速。其次,使用高层次综合工具（High-level Synthesis tool,HLS）设计了基于FPGA的YOLOv3-Tiny算法硬件加速器,并采用了流水线结构和一系列优化策略,对网络的卷积层、池化层和上采样层等实现了并行化加速。针对FPGA资源不足的问题,本文将32位浮点数量化为16位定点数,节约了FPGA的资源,同时提高了运行速度。最后,本文使用Xilinx公司生产的Pynq-Z2开发板对加速器设计进行了测试,在检测道路上车辆的应用场景下,使用实际拍摄的照片作为测试图片,验证了加速器在检测车辆时的有效性,并将实验结果与使用Intel Core i5-8300H CPU和使用NVIDIA Geforce GTX 1050Ti GPU检测车辆的结果进行了对比。实验结果及对比表明,本设计可以准确检测出道路上的车辆,检测速度达到了使用CPU检测速度的2倍,功耗相比所使用的CPU和GPU进行检测的结果低了很多。本文设计的加速器实现了对YOLOv3-Tiny目标检测算法的加速,可以用于自动驾驶领域相关的嵌入式目标检测应用中,完成对道路上其他车辆的检测工作。