随着深度学习算法在计算机视觉、自然语言处理等领域获得极佳的效果,被广泛应用各行业,为国民经济带来了巨大效益。随着业务需求剧增,最初基于CPU和GPU的深度学习计算平台,暴露出功耗高、延时大等缺点越来越显著。FPGA作为一种新兴的加速硬件,拥有大量可编程逻辑资源,依靠低功耗、延时小、可重配置等优点,逐渐成为加速计算密集型应用的一种重要选择。本文研究了基于FPGA的深度学习在图像识别上优化与加速应用方法,主要内容包含深度学习算法原理分析、深度学习模型量化原理分析与实现、高级综合工具HLS在FPGA上实现算法加速的优化技术分析及实现。本文的主要工作与贡献主要有:(1)针对深度学习算法模型参数量大、FPGA片上资源有限的问题,本文首先对深度学习算法原理分析,其次依据最前沿的量化优化方法,在精度损失较小的前提下,尽量压缩算法模型大小,并对比不同量化方法生成的量化结果。最后在量化比特位相同前提下,选用精度损失最小的方法对VGG-16模型的实现8bit定点量化。此外,针对VGG-16模型参数量过大,FPGA片上缓存资源紧缺的问题,训练出一个参数量很小的二值化的模型,用于FPGA高效使用深度学习算法实现图像识别。(2)阐述在深度学习算法推理过程中,使用FPGA计算相比CPU、GPU的优势,分析FPGA算法移植面临的挑战。详细介绍基于高级综合工具HLS的并行计算优化技术以及深度学习算法移植到FPGA上的优化方法。(3)为解决在FPGA上的并行计算性能受计算硬件资源和带宽影响严重的问题,本文依据roofline模型选取最合适的并行展开因子,并分别对VGG-16的8bit量化模型和二值化模型,使用高级综合工具HLS实现不同策略上的算法移植优化,使得在FPGA上具有最高的峰值性能。最后将本文实现的性能与CPU、GPU纵向对比,与已实现的基于FPGA的VGG-16移植模型的工程进行横向对比,可以得出基于FPGA移植优化后的深度学习模型在实际推理环节中更具有优势。