随着科学技术的发展,卷积神经网络及其应用逐渐成为研究的热门方向。目前用于实现卷积神经网络的硬件主要包括CPU、GPU、FPGA以及NPU(Network Process Unit)等等,但由于卷积神经网络属于计算密集型应用,CPU处理速度较慢,GPU体积大且功耗高,难以用于嵌入式场景中。FPGA等可重构系统既具有高速处理数据的能力又具有编程的灵活性,十分适合用于加速神经网络的计算,利用有限的可重构硬件资源加速卷积神经网络计算是目前研究的热门方向。尽管可重构系统的硬件资源有限,但是动态可重构技术实现了在系统运行过程中对硬件资源进行重新配置,通过分时复用手段解决了资源有限引起的计算效率低的问题。动态可重构方式需要依靠合理分配硬件资源和任务调度算法才能达到较高的计算效率,因此本文针对可重构系统中卷积神经网络的并行计算进行研究,主要贡献如下:(1)设计了多个卷积神经网络在CPU结合可重构资源架构下的并行计算框架。通过对卷积神经网络进行任务划分,并对每个任务定量分析得到DAG图,结合任务调度算法将DAG图中的任务分配到划分好的局部硬件资源上计算,利用动态可重构方式达到了多卷积神经网络任务的并行计算,使得整体计算效率提高。(2)结合以上的并行计算框架设计,本文设计了一种针对任务规模较小场景下的DAG任务调度算法。该算法通过建立一个优化目标为所有任务完成时间最短的整数规划模型对调度问题进行描述,并采用分支定界法对进行求解,得到最优的调度方案。(3)本文设计了一种结合任务分层与层内调度的分阶段调度算法,适用于任务规模大的应用场景。该算法根据DAG图的拓扑顺序对任务进行分层,确保每层内的任务之间没有依赖关系。通过对每层内的任务建立整数规划模型进行调度,最后将所有层的调度结果进行合并得到最终的调度方案。综上,本文设计的卷积神经网络并行计算框架,基于CPU结合可重构资源架构实现了对不同任务规模场景下的任务调度和计算,通过充分利用硬件资源达到了提高整体计算效率的目的。