从软件角度而言,用户不断增长的需求导致应用的计算量近年来急速上升。举例来说,卷积神经网络（convolutional neural network,CNN）是实现图像处理的一种有效方法,巨大的数据处理量是CNN的一个显著特征。而从硬件角度而言,近年来各类高性能计算平台计算能力的飞速进步也使得处理超大规模数据逐渐成为可能。在这场提高硬件计算水平的革命中,有两种手段不容忽视:一种是设计相应的专用集成电路（application specific integrated circuit,ASIC）,针对特定计算进行处理器设计能够有效降低硬件复杂度,随之提升整体性能。近年来学术界针对卷积神经网络加速器进行了大量的研究,成为广受青睐的高效CNN计算平台。此类加速器通常使用大量处理器核心,提高处理器并行计算能力,同时增强数据重用,减少访存,以此提高计算效率。另一种便降低半导体工艺制程。工艺制程的降低使得计算机硬件在计算性能得到提升的同时,能耗和发热量等问题也得到有效控制,但制造难度的加大也引起了一系列其他挑战,制程变异效应便是其中之一。制程变异效应引发芯片内部晶体管物理参数的差异,进而导致芯片各部件延迟的不同,造成时序错误问题（timing error）。CNN加速器由于采用了大量的处理单元（processing element,PE）,这将更大程度地受到制程变异效应的影响。高效的CNN计算要求众多处理单元具备一致的运行速度,因此,CNN加速器的整体运行速度将受到状态最差的处理单元的限制,造成大量计算性能的浪费。本文着眼于上述两种手段综合情景下产生的问题,即制程变异效应对以Google Tensor Processing Unit（TPU）为代表的基于脉冲阵列技术的CNN加速器上产生的性能限制。首先通过建模,对这一性能受限问题的严重性进行了定量分析,随后通过结合CNN及CNN加速器的部分特性,从多角度分别提出一系列有效的解决方案:1.从处理器核心使用率的角度,提出一种子阵列重构技术。该技术利用CNN加速器在处理小规模卷积层时核心存在冗余的特性,通过选择性能状态较好的计算单元重新组成计算矩阵的方式,提升加速器整体运行频率。2.从CNN计算特性角度,提出一种权重转移技术。该技术利用图像的像素相似性和CNN自身容错性,通过将权重转移到相邻位置的方式,将原本性能状态较差处理单元的任务分配给其他处理单元,并禁止其参与计算,进而提升加速器处理速度。3.从CNN模型特性角度,提出一种基于敏感度分析的权重分配技术。该技术考察了CNN模型中各个权重的变化对计算结果影响的严重程度,令权重转移技术仅在不敏感的权重上得以执行,进一步大幅降低权重转移技术对CNN计算结果的影响。此外,本文还针对所提出的设计,对Google TPU进行的相应的结构设计修改,使文中技术可以在CNN加速器上得到实际执行。本文选取Le Net-5、Cifar-10 CNN、VGG-16以及Res Net-50四种不同规模的常见CNN模型,并在以Google TPU为原型的基于脉冲阵列技术的CNN加速器上完成所提技术的一系列模拟仿真,从性能提升和识别准确率损失两方面对技术进行评估。结果显示子阵列重构技术+权重转移技术可在低于1%的精度损失前提下实现2.3x-3.3x速度提升,在低于10%识别准确率损失的条件下实现2.7x-3.6x性能提升。基于权重敏感度的分配技术在同等加速效果下可降低权重转移技术带来的34%-100%精度损失,于大规模CNN模型中,在约6.5%识别准确率损失的条件下达到2.7x-2.8x性能提升。