机器学习已成为信息技术的基石,许多机器学习算法已经进入具有严格要求的移动设备。机器学习算法硬件实现需要提高处理能力,从而来提高加速效果。本文研究对象为K最近邻算法,由于计算处理器的快速发展已使其逐渐接近功耗极限,但是需求却依然快速增长,芯片设计和制造的成本越来越高,在此背景下本文采用可重构架构对K最近邻算法进行硬件加速。本文围绕K最近邻算法的硬件加速,主要完成两方面工作:第一,利用可重构计算技术实现了一款KNN算法硬件加速系统。该加速系统使用同一套存储阵列和计算阵列,利用可重构控制器针对不同的计算和存储方案进行重构。与采用专用集成电路实现相比具有更高的灵活性,比通用处理器实现的能效更高。第二,本文提出的KNN硬件实现方案主要分为距离计算模块、排序模块、寻址模块以及决策模块。它能够支持8路并行计算,其中距离计算模块采用欧式距离计算方式。本文设计一种全流水的乘累加树单元,能支持任意数值的样本计算;排序模块采用插入排序方法,可以实现在四个周期内对20个数据进行排序。本文提出的硬件加速系统在14nm CMOS工艺下进行电路综合,工作主频可以达到1GHz,峰值运算能力为64GFLOPS。利用Xilinx开发板Ultra Scale XCVU440进行硬件实现,其主频可以达到200MHz。相比于传统的硬件实现方式,采用基于可重构技术的KNN硬件实现在计算速度方面提高了2.4倍以上,最高达到17.05倍。