卷积神经网络（Convolutional Neural Networks,CNN）是当前深度学习领域重要研究热点之一,因其具有平移不变性和权值共享结构的特点引起了研究者的广泛关注。目前,CNN在目标检测、图像识别、语音处理等研究方向取得了重大突破,研究成果已被不断地应用于工业生产、生活服务等各个场景中。如何将CNN引入到计算资源和存储资源受限的嵌入式平台中,发挥其在可便携、低功耗的嵌入式平台中图像识别的优势,以实现更快的识别速度,已成为深度学习领域未来发展和进步的主要趋势。然而,随着在嵌入式环境中图像识别准确率需求的不断增加,对应CNN的网络层数在不断增多,其计算复杂度也在逐渐升高。这些问题给CNN在资源有限的嵌入式平台应用带来了困难。针对上述问题,本文开展了基于ZYNQ嵌入式平台的CNN图像识别加速器研究,其贡献与创新点如下:1)针对卷积运算效率低、空间资源占用大的问题,本文提出了一种基于GOWN的加速方案,该方案能够根据卷积核的大小选择不同的加速算法。GOWN加速方案通过使用矩阵分块与内存对齐策略等方法完成对Darknet框架中原有Gemm算法的改进,实现了空间资源占用的减少。同时该方案通过Winograd算法进一步优化数据打包策略,并使用Neon指令集加速了其算法中的矩阵运算,最终替换Gemm算法,实现了减少计算资源的同时提高了计算速度。通过实验测试,基于GOWN的加速方案能够在提高Top-5分类正确率的情况下,缩短5-12倍的图像识别分类时间。2)针对CNN中计算资源耗费较多的问题,本文提出了一种基于ZYNQ的硬件加速方法,该方法能够减少卷积计算量的同时提高加速性能。该方法采用了特征图展开、卷积核复用、乘累加并行、FSM＿Timer访存等方法,分别实现了卷积层电路设计、池化层电路设计、全连接层电路设计。另外,本文根据数据输出的稀疏度,通过使用SLICEL逻辑中LUT资源完成对预先计算的卷积结果做直接映射的策略,实现了CNN图像识别中卷积计算量的减少。实验结果表明,硬件化后的CNN在图像识别与分类的任务中计算效率更高且消耗的功耗更低。3)为了能够将加速器应用到实际场景中,本文构建了一种基于ZYNQ的CNN图像识别加速器样机,该样机具有图像采集、图像处理和图像显示的功能。为了方便功能的扩展,本文在ARM中移植了Debian操作系统。为了观察图像采集的效果,本文基于QT工具实现了显示界面的设计,并通过捕获按钮实现了一帧图像的保存。通过试验可以得出,该加速器样机采集的图像可以在显示器中正常显示,并且可以提供给CNN进行处理。该加速器样机能够在提高Top-5分类正确率的情况下缩短图像识别分类所需的时间,并且计算效率更高、消耗的功耗更低。本文最终在ZYNQ-7020平台上开展了CNN图像识别加速器的软件加速算法的试验验证和硬件加速方法的仿真验证。分别从图像识别与分类准确率、图像识别与分类速度、加速器能耗比、加速器资源占用比率等四个方面对该加速器进行综合评估。实验结果表明,本文提出的基于ZYNQ嵌入平台的CNN图像识别加速器在资源有限的情况下针对Alex Net网络进行加速,Top-5分类正确率提高了近8%,同时识别速度提升了5.54倍。针对VGG16网络进行加速,Top-5分类正确率提高了近5.2%,同时识别与分类速度提升了12.24倍。针对Le Net-5网络进行加速,识别一张图像仅需89.59us,平均计算性能为11.92GOPS,消耗的功率为2.16W,能效比为5.5 GOPS/W。与其它加速器相比,本文实现的加速器表现出较优性能。并且该加速器具有较好的通用性,能够为多种嵌入式智能终端设备提供CNN图像识别加速性能,为嵌入式设备的CNN图像识别提供了重要的参考。