随着深度学习的快速发展,基于卷积神经网络的目标检测算法在目标检测领域取得突破性进展,并成为近些年最热门的研究方向之一,被广泛应用于自动驾驶、视频监控、医学影像、雷达探测等领域。经典的基于卷积神经网络的目标检测算法有SSD、YOLOv3等算法,这些算法在带来高性能的目标检测效果的同时,也带来了巨大的参数量和计算量,因此当前主要通过GPU等高算力平台进行实现。但是GPU存在功耗高、体积大等缺点,难以应用于移动端设备中。而现有的移动端设备常采用ARM这类通用处理器,对SSD算法这种计算密集的算法,运行效率低,难以达到实时性的要求。针对这一问题,本文针对SSD算法,提出了一套基于FPGA的算法优化方案,并设计一款基于FPGA的神经网络加速器,最后将优化后的SSD算法使用加速器进行实现。本文的主要工作如下:（1）在不增加额外的参数量和计算量的情况下,为了提高SSD算法的检测精度,本文使用Rep VGG块替换SSD算法主干网络VGG16的部分3×3卷积层,并在部署时通过结构重参数化方法将Rep VGG块的多分支结构融合成一个3×3卷积层。改进后的SSD算法相比原SSD算法,在本文所使用的数据集上m AP提高了0.78%。为了区别原有的SSD算法,本文将改进后的算法重命名为Rep-SSD算法。（2）在工作一的基础上,针对Rep-SSD算法参数量大、计算复杂度高问题,本文使用参数稀疏化训练方法筛选出Rep-SSD算法中冗余的通道,并使用模型裁剪方法对Rep-SSD算法进行裁剪。经过裁剪,模型参数由97.54MB变为35.42MB,推理速度由145fps变为204fps。然后,使用结构重参数化方法对Rep-SSD算法中的Rep VGG块进行融合,融合后模型参数由35.42MB变为19.63MB,推理速度由204fps变为250fps。最后,使用8位宽逐层对称量化方案对Rep-SSD算法进行量化,量化后,模型参数由19.63MB变为5.12MB。（3）在工作二的基础上,为了便于FPGA加速,本文在算法量化时,对相邻卷积层之间的反量化层、Re LU激活层和量化层进行调整,将Re LU激活层调整到量化层之后,将反量化层和量化层融合成一个重新量化层。通过调整,可以降低Rep-SSD算法在量化层和反量化层的计算量,提升计算速度。（4）在工作三的基础上,本文使用软硬件协同设计思想对Rep-SSD算法进行加速,针对Rep-SSD算法中的卷积层和池化层采用加速器进行加速,对算法的检测部分采用CPU进行计算,加速器和CPU之间采用网口通信。（5）本文加速器设计中,对Rep-SSD算法的每个网络层设计一条指令,指令中包含该层的结构信息、数据存储信息和网络层的量化信息,可通过配置不同的指令控制加速器执行算法不同的网络层。此外,指令设计使加速器具有较强的通用性,可通过更改指令,将不同的算法部署在加速器上。加速器的核心采用3种加速阵列,分别为尺寸为16×16的3×3卷积单元阵列、尺寸为18×18的1×1卷积单元阵列、尺寸为1×9的池化单元阵列,可以加速3×3卷积层、1×1卷积层和池化层,且这些阵列可以通过分时复用的方式来适用更大规模的网络结构。（6）在加速器设计时,为了更加有效的利用3×3卷积单元阵列,本文将尺寸为16×16的3×3卷积单元阵列划成2个尺寸为8×16的3×3卷积单元阵列,加速器可以根据3×3卷积层的步长灵活地对这2个阵列进行组合。