随着互联网技术的发展,深度学习带来了人工智能的正循环,传统计算架构已经无法支撑大规模并行计算的需求。因此,需要通过加速底层应用的计算过程,来缩短深度学习算法的训练时间,从而推动人工智能整个产业链的发展。卷积神经网络(Convolutional Neural Network,CNN)是深度学习算法的一种重要网络模型,在手写识别、自然语言处理,医学图像分割等领域具有广泛的应用,也是机器学习、计算机图像视觉等学科研究的热点,因此具有一定的研究意义和价值。卷积神经网络需要对特征图中的所有区域进行综合评估,所以具有较大的计算复杂度。在其训练过程中,由于数据信息是由各个神经元分散存储和处理的,可以使卷积神经网络并行化,使得训练数据和训练参数能同时更新。为加速训练时的计算过程,减少算法的训练时间,可以考虑利用硬件和软件技术以并行代替传统串行计算方式实现卷积神经网络。因此,本文首先提出了一种简单的卷积神经网络模型------SpNet模型,并对卷积神经网络训练过程中不同类型的并行性进行了详细分析,针对其大量运用的卷积计算,从软件和硬件的角度,分别设计一种能加快卷积计算的方案。其中,软件方案为:首先把卷积计算转换为矩阵乘法,并研究矩阵乘法的优化算法,其次,提出了一种适合于本文模型中的卷积计算的矩阵乘法算法,通过实验对比,可得出一种加快卷积计算的方案。硬件方案为:基于FPGA设计了卷积神经网络模型整体的训练架构,并针对其中的卷积计算模块作出了详细设计与实现,由于电路本身就是并行的,因此采用硬件实现可以得到一种加速卷积计算的方案。