片上训练（On-Chip Training）作为一种人工智能（AI）计算加速技术,其主要任务是在芯片内部对人工神经网络进行训练。近几年,越来越多的手机和物联网设备开始搭载人工智能芯片（AI Chip）。目前大多数AI芯片只支持前向推理,内部的神经网络需要在云端训练后部署到片内。然而,越来越多的场景要求AI芯片能够根据私有数据进行本地训练来满足各类用户偏好。由于边缘和移动设备电池电量和计算能力有限,因此需要高能效的片上训练处理器。本文设计了一款高能效的可重构神经网络片上训练加速器,该加速器可以在芯片内部对所部署的神经网络进行再训练。首先,本文最主要的贡献在于提出了一种推理同化的反向传播方法,将反向传播中复杂的卷积方式通过循环重组和分块算法转换为普通卷积的模式,在映射层面解决了反向传播的硬件实现难题。其次,本文根据反向传播中的数据存储特点,提出了一种混合缓存分配方法,相比传统方法能够减少20%到30%的功耗。另外,为了进一步提升系统能效,本文进行了如下几项工作:（1）针对反向传播中固有的稀疏性问题,设计了一种预知稀疏的卷积跳过方法及其相关电路,可以有效降低反向传播过程中的计算量。（2）设计了专门的软件编译器,能够对加速器进行最优硬件参数的搜索,使其保持最佳的能效表现。（3）设计了一种高度可配且支持稀疏性跳过的计算单元,有效减少了计算功耗。最后,为了提升系统性能,本文设计了一种高度流水的片外数据通信方案,并对行静止数据流进行了改进。针对所设计的数据通信方案,本文设计了一种容量可配置的片上存储器,能够根据配置参数调整各类数据的存储空间大小。对于改进的数据流,本文也设计了一种片上网络和配套的路由器和调度器,能够支持高度的并行数据传输并提升系统的吞吐量。本文基于TSMC 28nm工艺进行了可重构片上训练加速器电路的设计与实现,并构建了完整的软硬件验证和仿真平台。仿真结果表明,本文设计的片上训练电路,能够实现卷积和全连接神经网络的前向推理和反向传播功能。能效指标能够达到3.04TOPS/W,面积效率指标能够达到19.2GOPS/mm~2,最高频率可达200MHz。本设计与目前主流的片上训练加速器能效相当,达到了高能效的设计要求。