我国是一个海洋大国,舰船目标检测对于保卫我国领土主权有着重要意义。合成孔径雷达(SAR)作为一种不受天气状况影响、探测范围大的遥感成像系统,被广泛应用在舰船检测任务中。但SAR图像由于分辨率较低、噪声大并且同一目标在不同角度下的成像结果有较大差异,导致对SAR图像舰船目标进行检测时存在一定难度,在近海及岛礁区域容易出现虚警现象。随着深度学习方法在光学图像的目标检测问题中取得飞速发展,越来越多的研究人员开始对深度学习在SAR图像舰船检测中的应用展开研究。由于深度学习方法计算量大,使用中央处理器(CPU)难以满足实时性要求,而图形处理器(GPU)功耗太大,无法在对功耗有严格要求的SAR成像系统中应用。因此,在低功耗平台下设计一种针对深度学习算法的高效率加速器尤为重要。针对以上问题,本文对深度学习方法在SAR图像舰船检测中的应用进行研究,并结合深度学习方法的算法结构,在现场可编程门阵列(FPGA)平台上进行面向SAR图像舰船检测的硬件加速器设计,具体工作内容如下:1.针对深度学习模型参数量较多的问题,对深度学习模型的不同轻量化方法进行对比分析,并提出了一种混合精度量化方法对模型的网络结构进行轻量化改进,通过对轻量化后的网络结构在模型大小、计算时间、检测效果等方面的性能表现对轻量化方法的有效性进行验证。2.由于深度学习方法需要有大量数据集对模型进行训练才能取得良好的检测效果,因此本文通过分析SAR图像的成像特点,采用目标平移、图像加噪以及姿态合成三种方法对现有的SAR图像舰船数据集进行扩充,并在扩充后的数据集上对深度学习模型的训练和检测结果进行分析验证。3.结合深度学习模型的网络结构,设计基于FPGA的深度学习加速器。本文以ZYNQ Ultra Scale+MPSo C为硬件平台,采用软硬件协同设计方法对加速器进行设计,并使用Roofline性能评估模型对加速器性能进行定量分析并根据分析结果优化加速器结构,从而完成加速器的各部分设计。加速器主要由参数化计算引擎、片上缓存系统以及数据传输引擎三部分构成。参数化计算引擎通过并行计算结构对输入数据进行卷积计算,采用分时复用的方式提高计算并行度并减小资源占用率,同时计算引擎提供参数化接口,使其能够完成对不同卷积层的高效运算;片上缓存系统在数据的输入和输出端均采用双缓存设计,通过乒乓操作的方式对双缓存进行交替读写,从而减小由数据传输产生的时间消耗;数据传输引擎使用双通道直接存储器访问(DMA)控制器实现与外部存储器的高效通信,通过数据分割的方式,进一步提高数据传输效率,并由PCIe总线将加速器的计算结果上传到上位机。最终通过对加速器在检测结果、性能与功耗以及资源使用率三个方面进行对比分析,验证本文所设计加速器的可行性与有效性。