近年来,卷积神经网络（Convolutional Neural Networks,CNNs）在生活中的应用变得越来越广泛。CNN模型中庞大的数据量以及计算量,也逐渐成了掣肘神经网络发展的主要因素。二值化神经网络（Binary Neural Networks,BNN）作为一种轻量型的神经网络,相比于CNN可以极大减少数据量以及计算量。基于BNN的优点,专用BNN硬件加速器的设计成为一个新的热门研究方向。但是目前在BNN硬件加速器领域的研究还存在着以下几点挑战:（1）全精度的输入图片导致额外的资源开销;（2）传统“0”值边缘填充导致数据三值化;（3）卷积层中存在大量冗余计算。针对上述几点挑战,本文基于现场可编程逻辑门阵列提出一种高性能的BNN硬件加速器,主要工作包括:（1）提出一种完全二值化处理方法本文在BNN的训练阶段,将全精度数据集内的数据按位拆分得到二值化数据集,以此数据集训练得到二值化输入的网络模型,避免全精度输入图片带来的资源浪费。在推理阶段,使用奇偶通道交叉填充（?）w（其中w为对应的权重数据）的方法,达到和传统“0”值填充相同的效果,并且解决了数据三值化问题,经过上述两种方法处理得到完全二值化的神经网络模型。（2）提出基于传递重用的行卷积查找表方法卷积层中由于高重复率的权重数据而存在大量冗余计算,本文通过行卷积查找表来跳过这些冗余计算;并且在卷积核移动过程中,对重复输入数据对应的行卷积查找表进行重用,以进一步减少计算量。除此之外,对查找表的写入过程以及读取过程进行乒乓操作,可以最大化计算资源的利用率,从而减少计算周期。实验证明,与现有工作中的优化方案相比,此查找表方案可以减少11.72%的计算量以及59.48%的计算周期。（3）设计高性能可配置的完全二值化神经网络硬件加速器本文基于奇偶通道交叉填充方法以及传递重用的行卷积查找表方法,设计一组可配置二值化计算阵列,并且通过层配置链控制每一层的计算,以提高资源利用率。除此之外,为了降低片上BRAM资源以及BRAM数据访问量,本文采用行卷积查找表与输出固定相结合的数据流。实验证明,本文所设计的加速器可以达到144.2GOPS/KLUT的资源转换效率以及3507GOPS/W的功耗转换效率。