近年来,随着越来越多的学者、研究员投入人工智能领域,人工智能算法取得了飞速的发展。作为人工智能算法中极为重要的一部分,神经网络算法也取得了巨大进步:计算机视觉应用中越来越多的使用卷积神经网络代替传统方法,其在人体行为识别应用中表现较为显著。但是,为了进一步提高神经网络的性能,神经网络模型的结构设计越来越复杂、网络层数也越来越多。这导致神经网络算法的计算更加复杂,在功耗要求严格的场景下难以部署。因此,计算资源丰富、开发部署灵活、功耗更低的FPGA成为实现神经网络算法的一种较为理想的硬件平台。本文以卷积神经网络为研究对象,以FPGA为目标平台,对卷积神经网络硬件加速方法进行研究,设计硬件加速器并基于加速器设计人体行为识别系统进行加速验证,具体工作开展如下:1、首先分析了现有加速方法的特点,结合卷积神经网络的结构特点及计算特点,从卷积神经网络计算中数据访存、计算两个方面入手,研究设计硬件加速器。针对卷积神经网络的并行性特点,提出三种并行处理相结合的方式,来展开卷积循环,以减少循环次数;结合FPGA并行计算特点以及资源情况,设计、优化了卷积层、全连接层;利用流水线处理方式,设计缓冲结构加速流水层;采用并行流水策略提高各模块使用效率。利用本文提出的方式,结合Vitis AI平台最终在ZCU102评估板上测得VGG-16网络吞吐量为615.9GOPS。2、提出了一种卷积神经网络结合机器学习的人体行为识别方法,采用该方法设计应用系统,同时验证卷积神经网络加速器的性能。首先提出一种人体姿态估计与姿态分类结合实现人体行为识别方法,设计两个卷积神经网络模型以自顶向下的方式实现人体姿态估计,并在Vitis AI平台上对网络模型进行量化、测试;利用姿态信息数据构建数据集,训练SVM实现能区分三类人体行为的姿态分类器。然后根据应用系统计算特点分割计算任务,设计软硬件协同加速系统,利用设计的加速器承担卷积神经网络计算。最后利用ZCU102评估板实现人体行为识别系统,经测试系统稳定时最高能达到25FPS的处理速度,并能正确识别行走、站立、蹲下等姿势。