可变形卷积网络在计算机视觉任务中被广泛使用,在目标检测、语义分割、目标分类以及视频动作检测等多种领域中都展现出良好的性能。在可变形卷积网络中传统的卷积层和可变形卷积层都是计算复杂度的主要来源。然而现有的神经网络加速器主要集中于传统卷积层的优化加速任务,对于可变形卷积层的关注却很少。目前的研究工作中,一种较为常见的做法是通过修改算法,使可变形卷积算法适合在硬件上映射,但是这样的做法或多或少会使得可变形卷积网络的精度有所下降。因此,目前并没有可以支持完整可变形卷积算法的加速器。在本文的研究中,我们对可变形卷积进行了深入的探索。对于可变形卷积的硬件加速进行了深入研究,分别在基于ReRAM的卷积神经网络加速器和一维点积阵列神经网络加速器的基础上实现了可变形卷积层的加速。对于基于ReRAM的卷积神经网络加速器,我们选用了不同尺寸的ReRAM阵列并且选用了不同精度的ReRAM单元。使得ReRAM阵列可以更好的支持可变形卷积的运算。同时,我们提出了一种新颖的执行双线性插值的映射方法,这种方式避免了ReRAM阵列顺序写入带来的高延迟和高功耗,减少了硬件的操作次数,可以在原地完成双线性插值的全部计算。然后,本文修改了输入缓冲区的结构,不仅避免了高功耗的四端口设计,又保证了计算阵列可以得到足够的数据。并且根据缓冲区结构,本文设计了相应的在线索引生成单元,并通过分块策略提高了面积利用率。最后通过重新设计数据流提高了加速器执行可变形卷积的并行度。最终的实验结果表明,和CPU,GPU,ASIC+CPU以及ISSAC+CPU四种平台相比,本文的设计在性能方面分别达到了227倍,15.1倍,26.8倍和20.4倍的提升。在能耗方面分别达到了225倍,17.4倍,32.9倍,38.6倍的降低。进而针对更为广泛使用的一维点积阵列神经网络加速器,本文设计了一款基于一维点积阵列加速器的可变形卷积神经网络加速器。根据可变形卷积的算法特征,我们将可变形卷积的执行步骤分为三步进行处理,并通过将各个处理阶段拼接融合,避免了数据的反复传输,避免了昂贵的通信代价。然后设计了新的地址转换单元,将特征索引转换成输入缓冲区的索引,同时地址转换单元可以计算出双线性插值计算需要的系数,这可以将双线性插值转换成一个小型的卷积运算。最后我们将双线性插值部署到一维点积阵列。实验结果表明,在执行可变形卷积神经网络方面,我们的设计明显优于另外三种硬件平台。