人工神经网络算法的研究在经过了几年的低潮后,由于近年来深度学习模型在计算机视觉、语音识别领域取得显著成果,再度受到学术界和工业界的广泛关注。而随着人工神经网络算法模型的增长,计算复杂度越来越高,只能依赖大规模计算平台来完成模型的训练,训练速度的瓶颈和功耗问题限制了人工神经网络算法在现实生活中的应用和推广。基于应用对嵌入式平台的强大需求,人工神经网络算法在FPGA平台上的硬件加速引发研究热点。本文围绕面向人工神经网络计算核的加速优化及自动生成技术展开研究。首先通过分析典型算法ELM、AlexNet的结构特征,挖掘人工神经网络算法的计算核心。其次对ELM、AlexNet进行首次定点化评估,表明定点化处理方法在人工神经网络算法中的可行性,有助于算法加速器中对存储与计算资源的合理使用,并提出针对任意算法进行定点化处理的完整评估流程和精度分析模型。更重要的,本文针对算法的计算核心进行加速优化:(1)基于传统的卷积加速实现进行存储优化,实现布局布线性能更优、扩展性更好的卷积加速器;(2)针对大规模矩阵乘法运算,从存储组织、资源平衡、计算模式设计等方面进行优化,采用分块矩阵乘的方式实现性能更优矩阵加速器;(3)采用分段近似函数方法,并转换乘运算为更简单的移位操作,实现资源占有量更少的S igmoid复杂函数加速器。最后本文研究加速器自动生成技术,提出用户参数空间搜索算法,实现加速器对算法网络模型变化更强的适应性。