随着近年来无人机研究迅速发展,在无人机载平台上实现的视频目标检测算法被广泛地应用于土地勘测、农业作业、抢险救灾等多种领域。以CNN模型为首的深度学习算法为无人机载平台视频目标检测算法的精度带来了巨大的提升。无人机载平台通常对视频目标检测算法的实时性和系统整体功耗有着严格的要求。FPGA内部包含大量并行逻辑资源,性能足以处理CNN这类计算密集型任务。同时,FPGA功耗较低,是无人机载平台运行视频目标检测算法较好的硬件加速器。本文首先探索了CNN模型的定点化近似方法,以降低CNN模型在无人机载平台上的计算成本。经过大量实验和分析,本文成功通过线性量化和静态线性量化的方式以小于1%的正确率损失实现了轻量化CNN模型SqueezeNet V1.1的8bit定点化。其次,本文以SIMD并行计算方式作为基本思路,设计了包括卷积层加速算法和池化层加速算法的基于FPGA的视频目标检测加速算法。在此基础上,本文针对卷积层的计算特点和FPGA内部结构,提出了参数共享和跳过0激活值后续运算两种卷积层加速算法优化策略。最后,本文通过控制变量的方法详细测试和分析了不同参数和优化策略下,视频目标检测加速算法在DE10-Nano无人机载平台上的性能、功耗表现。本文提出的基于FPGA的视频目标检测加速算法在2.5W的功耗下,最快每秒可处理约8张图片,等效运算速度5.95GFLOPS。对比相关研究,本文提出的算法在能量利用效率上有显著优势,并且是资源有限FPGA平台上运算性能较快的算法之一。本文提出的基于FPGA的视频目标检测加速算法为无人机载平台低延迟、低功耗地运行视频目标检测任务打下了良好基础。