随着深度学习的火热发展,卷积神经网络在无人驾驶、生物识别等领域起到越来越重要的作用。当前卷积神经网络的发展趋势是通过更深和更复杂的网络来得到精度更高的网络。但是嵌入式系统由于硬件资源有限,在满足精度的情况下,需要更低计算量和参数量的卷积神经网络模型。而MobileNet是一种轻量级卷积神经网络,相较于传统卷积神经网络,MobileNet具有更低的计算量和参数量,比较适合在嵌入式系统中部署。目前MobileNet大多是在GPU上进行硬件加速,虽然GPU能够满足实时性处理,但是其功耗较大、成本偏高难以满足一些低功耗、低成本的嵌入式系统的需求。而FPGA（Field-Programmable Gate Array）是一种硬件可编程的加速器,具有并行能力强,功耗低等特点,因此利用FPGA对MobileNet卷积神经网络进行硬件加速具有一定的优势。传统开发FPGA是直接使用硬件描述语言来完成优化设计,具有设计难度大,开发周期长等缺点。而高层次综合工具（High Level Synthesis,HLS）能够完成C/C++等高级语言到硬件语言的转换,大大缩短FPGA的开发周期。但对于复杂算法,用HLS自动转换后的电路性能通常很不理想,因此必须对其进行优化研究。因此本文基于HLS工具,对轻量级卷积神经网络MobileNet网络结构以及FPGA加速优化方法进行研究。主要完成的工作有:一、对MobileNet_v1₁.0₂24网络模型的网络结构进行调整,减小部分计算量,方便后续系统架构的设计。二、对调整后MobileNet网络模型的总体架构设计,并从减小外部I/O操作、满足内存资源内存等层面考虑,对MobileNet卷积中最耗时的标准卷积层部分进行顶层函数设计。三、基于粒子群算法设计一种较为通用的HLS自动化方法来实现对顶层函数的优化方案的自动化寻找。最后通过实验,成功找到了顶层函数的优化方案,有效地降低时延latency指标,实现了系统加速的效果。