双目立体视觉是基于2D平面图像获取拍摄场景中深度信息的技术,是计算机视觉领域中的重要研究方向,相比其他测距方式,双目立体视觉具有隐蔽性好、设备成本低且体积开支小等优点。双目立体视觉在航空航天、自动驾驶、遥感探测以及机器人领域都有着重要的作用。双目匹配算法在双目立体视觉中起着决定性的作用,双目匹配算法是利用不同视角拍摄图像的像素对应关系来预测视差。目前,基于卷积神经网络的双目匹配算法其性能令人印象深刻,但是仍存在一些问题:这些算法主要基于GPU平台进行设计与实现,其功耗开支较大。因此本文对基于卷积神经网络的双目匹配算法进行进一步的研究,主要工作如下:（1）基于卷积神经网络的双目匹配算法主要基于GPU平台进行设计,采用GPU硬件加速的形式实现,其功耗开支较大。针对这一问题,本文详细分析了经典双目匹配算法PSMNet网络结构,对其每个关键算子都提出了相应的硬件设计方案:针对卷积算子,首先使用通用矩阵向量乘法（General Matrix-Vector Multiplication,GEMV）实现卷积运算;其次在GEMV加法树中引入临时缓存进行残差加法实现残差运算。针对池化算子,通过复用卷积算子电路实现平均池化,提高硬件利用率。在加速器架构上,首先设计了乒乓缓存与乒乓寄存器两种结构进一步提升加速器计算模块的硬件利用率;其次设计了两路AXI slave接口分别用于数据缓存与寄存器配置,提高了硬件加速效率。（2）为验证加速器效果,本文基于航天九院第772所SPARC处理器内核完成了智能So C系统设计,并在FPGA平台Virtex Ultra Scale+XCVU9PFLGA2104-2-e上完成部署。首先,本文针对智能So C系统高速率数据传输的需求,完成了AXI总线架构设计以及时钟复位网络设计,同时设计了双DMA Master系统架构以实现高效数据交互,完成了各功能模块的集成工作。其次,针对So C系统的FPGA实现,本文利用对电路模块施加物理约束、更改综合布局布线策略、使用Xilinx原语等方式完成了RTL代码综合,生成So C系统的比特流文件。最后,本文在PC机上完成调试环境的搭建,并对本智能So C系统进行调试与测试。测试表明,本文设计的智能So C系统各电路模块功能正常。为进一步评估本文设计的加速器与So C系统工作性能,本文使用KITTI数据集进行了相关实验,比较与分析了So C系统与GTX 1080ti的PSMNet网络单张图计算时间与视差图准确率,得到的实验结果证实了硬件加速器的可行性与计算效率的优越性。本文所设计的加速器与So C系统在50MHz主频与6.02W功耗下,PSMNet网络在KITTI数据集上能在1.206s的时间内达到三像素错误率为2.25%,平均误差为0.8pixel。