卷积神经网络(Convolutional Neural Network,CNN)是深度学习的重要分支。卷积神经网络在计算机视觉、文本处理、语音识别等领域应用广泛。由于卷积神经网络计算密集,传统的硬件加速方案难以满足嵌入式设备对卷积网络计算的高性能和低功耗需求。针对卷积神经网络中混合结构的组织特征,满足不同计算精度的需求,本文设计了动态识别、精度可控、灵活扩展的高能效卷积神经网络加速器。首先,通过输入数据的复杂度分析,提出了基于动态识别的多层次卷积神经网络压缩策略:卷积神经网络可根据输入数据的信息含量,动态选择需要执行的网络层实现图像识别;对于网络结构层,通过卷积分离和通道分离等方法实现对原始网络的压缩;对于核心算子层,采用Winograd最小滤波算法减少卷积运算的乘法数量;对于操作数层,通过基于卷积核比重的混合量化方案实现网络参数的压缩。针对AlexNet等主流卷积神经网络,该策略使计算量相对原始网络下降29.6%~40.5%。其次,根据卷积神经网络的容错性,使用精度可控的近似计算单元替代精确计算,并采用基于一写多读存储器的查找表实现重复的乘法操作,使乘法计算功耗下降37.5%~45.7%。本文采用多种主流的卷积神经网络作为测试用例。实验结果表明,在TSMC 45nm工艺下,当电压为1.1V和0.9V时,本文所提出的CNN加速器能效分别达到了1.92TOPS/W和3.72TOPS/W。与其他先进方案相比,性能提升了1.51~4.36倍。