近年来,随着计算机性能的显著提升,卷积神经网络(Convolution Neural Networks,CNN)在计算机视觉、语音识别、图像处理等多个领域得到了广泛的应用。其应用场景也从服务器云端开始向嵌入式终端过渡,由于其大量的参数与庞大的计算量,难以应用在嵌入式终端中,所以面向嵌入式终端的硬件加速电路成为研究热点,其中通用微处理器集成CNN加速单元成为一种高效的解决方案。为此,本文提出一种基于RISC-V指令集架构的开源处理器结合CNN协处理器的片上系统,为嵌入式终端部署CNN算法提供了支持。本文的主要研究工作有以下几点:(1)研究CNN卷积计算的稀疏性,对模型进行剪枝和量化,并针对特征图和权值参数的特点选择合适的数据存储方法,降低参数在系统中的存储资源占用和传输过程中的时间消耗。(2)设计支持卷积稀疏计算的CNN协处理器,同时利用网络的动态稀疏和静态稀疏特性加速计算过程,通过跳过特征图动态稀疏加速卷积计算,通过屏蔽权值静态稀疏的乘法计算来降低功耗。通过动态任务分发机制和可重构的计算单元阵列设计,解决特征图稀疏的不规则性带来的计算单元负载不均衡问题,提高了计算单元的利用率。(3)基于RISC-V指令集架构的灵活性,设计高效的扩展指令,用于配置协处理器进行协同工作。并将扩展指令添加到编译器中,搭建软硬件协同验证平台,对系统进行分析和验证,得出不同稀疏度的特征图及权值参数对存储压缩率和计算性能的变化趋势,并将压缩后的Lenet-5网络部署到片上系统中与CPU进行对比。实验结果表明,本文实现的片上系统能够压缩参数存储空间,减少数据搬运带来的时间和能耗损失,并对稀疏神经网络有较好的加速效果,整体能耗比约为CPU的20.1倍,为GPU的21.7倍,基本满足在嵌入式应用场景下部署卷积神经网络的需求。