近年来,深度神经网络的发展极大地提高了学术界和工业界的图像和视频分析质量。其中,卷积神经网络是图像处理领域极具代表性的方法,其有效性已在各种机器学习应用中得到证明。卷积神经网络整体规模的扩大带来的网络参数和中间结果的增长对硬件资源的需求发起了挑战,并一定程度地限制了卷积神经网络的实时和低功耗应用,而卷积神经网络算法的数据流模式使它们非常适合于硬件加速。针对上述卷积神经网络计算密集、软件实现方式无法适用于实时和低功耗应用场景的问题,在云中使用FPGA为快速和节能的卷积神经网络推理给出了出色的解决办法。FPGA有望为移动(例如无人机或自动驾驶汽车)和云计算领域的卷积神经网络的高性能和低功耗计算发挥重要作用。然而,在FPGA上实现有效且高效的卷积神经网络系统具有挑战性。针对上述问题,本文提出了一种面向云端FPGA的卷积神经网络加速框架。通过对加速器核心和网络功能层模板设计来实现基于高层次综合技术的可综合模板函数库设计;从软硬件划分、系统架构和加速框架生成流三方面分析卷积神经网络加速框架生成架构;分析网络任务模型与软硬件平台的映射关系,将任务合理分派给处理器和云端FPGA,构建任务-资源调度模型以及从数据流、控制流两方面对该模型设计调度优化方案,实现了网络模型向云端FPGA的映射和对软硬件端任务资源的合理调度。在实验评估部分,选取典型的卷积神经网络模型为实验对象,评估加速框架产生的系统性能,然后将其与软件版本以及其他已有研究中的FPGA实现进行比较分析。其中与CPU实现方式相比时,展示出更好的性能和能效表现,与GPU实现方式相比时,虽然性能更差,但是能效更高;并且达到与已有研究工作相当的性能的同时具有更好的功率效率潜力。实验结果证明,本文提出的加速框架可以满足新兴的计算和能源效率要求,并且可以显著提高FPGA上神经网络的整体设计效率。与其他基于云的平台(例如GPU或TPU)相比,本文的设计提供了替代解决方案,同时提供灵活性,低能耗和高性能。还提供其他功能,例如支持量化网络模型,以及平衡片上资源的使用。