听觉是人类感知周围环境的一个重要途径,通过听声音我们可以获取众多信息。声音识别目前被应用于多个领域,具有巨大的生产生活价值,其中语音识别技术已经比较成熟,而环境声音由于其复杂性,成熟程度和应用程度远不如语音识别。声音识别在初期是通过提取音频的传统声学特征,再用统计分析进行分类的方法实现的。近年来,深度学习（Deep Learning）飞速发展,被应用于包括声音识别在内的众多领域。深度学习在声音识别领域的应用,大幅提升了环境声音识别准确率。人工神经网络是深度学习的基础。随着应用场景的愈发复杂,神经网络算法也变得更为复杂,且规模不断增大。声音识别是应用型技术,只有准确率高、识别速度快才能被实际应用。目前靠指令流的通用处理器的计算速度、存储资源、带宽等难以满足深度越来越大的神经网络的计算需求,因此大家将目光转向了专用集成电路（Application Specific Integrated Circuit,ASIC）和现场可编程逻辑器件（Field Programmable Gate Array,FPGA）等硬件平台上。在硬件平台上数据计算不依靠指令,而是以流水线方式移动,因此计算速度较处理器更快。本文将环境声音数据集Ubandsound8K中十种声源目标的快速准确分类作为设计目标,把深度学习与专用计算硬件结合,设计了一个基于深度学习的专用硬件计算电路。该系统识别方案是通过提取音频的梅尔频谱（Mel Spectrum）,然后将其输入卷积神经网络（Convolutional Neural Networks,CNN）以提取高级特征实现分类实现的。设计实现的硬件加速器包括两个模块,分别是梅尔频谱提取模块和CNN模块。梅尔频谱提取模块由预加重模块、分帧加窗模块、FFT计算模块、Mel滤波器模块以及控制模块五个子模块组成。CNN模块以前向加速为目标设计了一种逐层计算的硬件计算架构。CNN模块中设计了一个共享计算模块,所有卷积层与全连接层均通过该模块计算,在计算前根据控制模块的控制信号配置共享计算模块。论文分析了CNN的算法特点,根据各层特点设计了输入通道并行、输出通道并行和卷积核内并行三种并行计算方法,实现了数据在空间上的复用。最后,在Xilinx的Vivado设计环境下实现了加速器系统的设计、综合以及自下而上的模块仿真验证,并在CPU、GPU和本文设计的专用计算电路上使用同种网络模型识别图片,对比各个平台的识别速度。本文设计实现的声源识别专用加速器并行度高、识别性能以及识别速度较高,相较于测试所用的CPU和GPU,识别时间分别降低71.9%和38%。