随着互联网、大数据和人工智能技术的兴起,深度学习技术依靠其强大的特征提取能力,在计算机视觉、智能体的自主决策以及自然语言处理等方面均取得了显著的成果。深度学习技术的快速发展使得其计算加速方法及架构设计成为学界与工业界的热点。现今主流深度学习加速器对单帧图像的智能处理具备很好的提速效果,然而对于视频应用,单帧图像加速技术的直接运用会造成极大的硬件资源浪费,以及大量重复的片下存储器读写操作。深度卷积神经网络的两种类型的输入数据--输入特征图和权重都支持数据重用。对于输入特征图重用,多个卷积核作用于同一张输入特征图上;而对于卷积核重用,输入特征图上不同滑动窗口的数据使用相同的权重数据,且当一次处理多个输入特征图（称为批处理）时,不同输入特征图上使用相同的卷积核。这三种数据重用实质上利用了卷积层计算的三类并行性:输出通道间的并行性、滑动窗口间的并行性和输入特征图间的并行性。现有的基于数据重用的多权重多线程处理技术对单帧图像处理能够有效提速,然而却存在很多不足:从存储器中读取输入数据并送到计算单元进行计算时,这些所读取的输入数据的位宽一般远远小于存储器的带宽,导致内存带宽的利用率极低;该加速技术只利用了卷积层计算中的滑动窗口间的并行性和输出通道间的并行性,并未利用输入特征图间的并行性;在处理全连接层时,根据全连接层的计算特性,单帧图像的计算只会用到一个线程,多余线程的硬件资源便会浪费。在本论文中拓展基于数据重用的多权重多线程技术用于多帧图像的批处理。设计了多帧图像预处理模块,将连续帧图像对应像素位置的数据拼接起来使输入数据的位宽接近存储器的带宽,根据存储器的带宽来选择每次预处理的图像的数量;根据卷积层计算的三种并行性来设计了三维计算阵列架构,用来计算经多帧图像预处理模块处理后的输入数据;设计了计算调度模块,根据不同网络层的计算特性制定不同的多帧图像数据缓冲、计算、输出和存储策略:卷积层使用计算单元复用的策略,池化层和非首层卷积层使用时分复用的策略以及全连接层使用空分复用的策略。这种多帧图像批处理技术,不仅提高了存储器带宽的利用率,减少了从存储器中读取输入特征图数据和权重数据的次数,降低了片下存储器的访存功耗;而且在处理全连接层的计算时,空分复用的策略可以利用多个线程来并行地处理不同帧图像的数据,减少了硬件资源的浪费。通过在加速器上部署Le Net-5和Alex Net卷积神经网络验证了设计的正确性。针对小型网络Le Net-5,采用了Questasim仿真和FPGA测试的方法,以MNIST数据集中的100张手写体数字图片作为实验样本,多帧图像批处理技术对其分类的准确率达到99%。而对于大型网络Alex Net的测试,采用FPGA测试和Vivado中逻辑分析仪调试相结合的策略。与单帧图像处理技术相比,该技术使系统整体的吞吐量达到原来的3倍。