随着深度学习的快速发展,人工智能已经越来越多的出现在人们的社会生活中,也越来越多地应用到以嵌入式终端为载体的安全关键领域,比如无人驾驶汽车、人脸识别等。卷积神经网络在这些安全关键应用中发挥着重要作用。但部署卷积神经网络的硬件可能由于外界的环境因素发生异常,出现电压异常导致跳变等情况,这会使得模型的权重出现比特翻转错误,这种权重错误可能导致模型的精度下降,最严重的情况可能会导致模型瘫痪。因此,本文选择神经网络中广泛使用的卷积神经网络作为模型,研究针对比特翻转错误导致卷积神经网络出错的容错方法,目的是提高卷积神经网络模型在各种恶劣环境下的可靠性。首先,本文提出一种基于分摊权重的卷积神经网络容错方法。该方法属于卷积神经网络的被动容错方法,在保证模型结构的情况下,提升模型的自身容错能力。本研究将影响较大的神经元权重分解为两个神经元,减少扰动对权重,通过分析使用冗余神经元在全连接中分摊关键权重的效果,并使用实例验证该思想的有效性。利用重训练的方式,将权重进行分摊从而在卷积神经网络中利用分摊权重的方法提高神经网络的可靠性。然后,考虑卷积神经网络的层粒度执行,设计了一种关键层错误感知的卷积神经网络容错方法。该方法属于神经网络的主动容错,通过改变模型结果,主动检测并纠正错误。本研究利用添加控制门获得神经网络的关键神经元,通过分析关键神经元的分布和实验验证获得网络关键层的分布。利用公式推导获得神经网络的层异常输出的界限,使用此界限作为层回滚的检测依据,实现基于关键层回滚的卷积神经网络容错方法。本文通过可视化的方法验证容错方法的有效性以及权重出错对模型层输出的影响。并在不同的卷积神经网络模型上验证本文方法的优势,说明基于层回滚的容错方法能够更好的应对更多情况的权重扰动,保证模型的可靠性。最后,面向嵌入式人工智能应用,提出一种系统级面向卷积神经网络容错优化方法。本文将层错误感知的容错方法拓展为多层回滚,使容错方法能够在资源受限的嵌入式平台发挥作用,最大限度为模型提供容错保护,本文对在多层回滚情况下的层错误感知容错方法带来的时间开销和空间开销进行建模型,以检测率作为目标函数,将该问题建模为一个约束优化问题,并改进传统的模拟退火算法,使模拟退火算法更合适解决本问题。本文在不同深度的模型中验证改进后的模拟退火算法的效果,证明改进对算法的有效性。