近年来,随着深度学习理论算法的发展和硬件算力的提升,卷积神经网络被广泛应用在众多领域。然而卷积神经网络的参数量、计算量的增加,使得在嵌入式、移动端等终端设备上部署难度加大。网络剪枝可以有效减少网络模型的参数量、计算量,但是剪枝导致网络连接呈现不规则性,使得现有的加速器难以利用网络稀疏性进行加速。为了改善上述问题,本文提出了能够充分利用网络稀疏性特点的稀疏卷积神经网络加速器。论文的主要工作如下:（1）针对剪枝后网络非零权重数据少的特性,本文对稀疏卷积神经网络进行建模,分析不同数据替换策略下的数据访存量、中间值缓存量。结合输出通道并行,提出输出通道并行的输入特征滑窗优先（Input Feature Slide First,IFFS）数据流。相比于其它数据流,该数据流的数据访存量、中间值缓存量更少。然后,针对剪枝后非零权重不规则特性,本文设计一种稀疏权重编码方式对权重数据进行压缩编码,只保留非零权重数据,并引入列偏移和索引,记录非零权重的位置信息。采用该编码方法,VGG-16网络的卷积层、全连接层整体稀疏权重压缩比达到6.3,有效减少了权重数据的存储空间占用。（2）基于输出通道并行的IFFS数据流和稀疏权重编码方式,本文设计一款稀疏卷积神经网络加速器。该加速器可以利用剪枝和Re LU激活函数带来的权重、特征稀疏性跳过零值运算。加速器的非零检测模块动态检测输入特征,筛选出非零特征传输给稀疏处理单元组,读取出计算所需的非零权重进行稀疏卷积运算。（3）基于Xilinx ZCU104平台实现稀疏卷积神经网络加速器,并对设计空间进行探索,确定稀疏处理单元组最佳配置。实验表明,所设计的加速器对VGG-16的有效吞吐量为140.7 GOPs,功耗5.067 W,能效25.1 GOPs/W,与已有的卷积神经网络加速器相比,功耗降低1.6～4.6倍,能效提升1.1～7.6倍。