随着卷积神经网络在图像视频识别等领域的广泛应用,海量的卷积神经网络计算任务需要得到高效的处理。传统的处理器架构,例如CPU和GPU,由于其结构的局限性无法很好地适应神经网络的计算特点。尽管许多相关工作提出了基于近存储计算的深度神经网络专用加速器,但在冯诺依曼架构下,无法从本质上解决存储墙对深度神经网络加速器性能的影响。因此,研究者们提出基于内存计算的深度神经网络加速器来缓解大量数据访存带来的存储墙问题。现在大多数研究工作提出的加速器架构都以尺寸固定,相互独立的阵列计算单元作为基础。这样设计的优势是在于可通过拆分矩阵的方式来适应输入输出大小不同的各类矩阵乘法。但是,由于阵列内以模拟信号的形式进行计算而模拟信号无法存储,故需要进行大量数字信号与模拟信号互相转换的操作,从而产生大量的时耗和能耗。在上述背景下,论文设计了一种基于内存计算的卷积神经网络加速器。论文的主要工作包括:分析了经典卷积神经网络的结构特点,深度神经网络加速器的研究现状以及基于内存计算的深度神经网络加速器的不足之处。提出了基于ReRAM的卷积神经网络加速器体系结构（RFSM）,并详细阐述了RFSM中包含的关键技术。为了提高推理任务的处理效率,利用相邻层之间输入输出数据的关系,提出了基于感受野的卷积计算策略和阵列计算单元动态连接技术。基于感受野的卷积计算策略指导阵列计算单元按照计算的输入输出需求完成动态连接,使得阵列计算单元内可进行无信号转换操作的多卷积计算。本文还提出了单图像推理任务M分技术,该技术划分后的推理任务可相互独立地并行处理。在CACTI 6.5上模拟得到片上存储器等的能耗和面积。根据已有研究提出的能耗和面积模型来计算基于ReRAM阵列计算单元,数字模拟信号转换器和模拟数字信号转换器的能耗和面积。实验结果表明,本文提出的基于内存计算的卷积神经网络加速器相比于已有研究工作ISAAC,能提高约6.5倍的计算速度,降低约7.1倍的能量消耗。