扩展卡尔曼滤波（EKF）算法作为同步定位与建图（SLAM）算法中的关键部分,被广泛地应用于智能机器人的定位、建图和路径规划中。然而EKF算法的高计算复杂度影响着最终定位和建图的速度,从而影响整个机器人系统的执行效率。尽管现有的相关工作提出了一些EKF硬件加速方案,但是现有的工作未考虑到EKF算法中矩阵的数据特性和矩阵乘法的多样性与特殊性,导致运算量大、加速范围有限和吞吐率低等缺点。针对现有工作的这些问题,本文通过深入分析和研究EKF算法及EKF算法中的矩阵乘法,提出了基于可重构矩阵乘法硬件加速器的EKF硬件加速系统设计。本文从EKF算法级、EKF硬件加速系统的架构级和可重构矩阵乘法硬件加速器级三个层面进行创新设计。在算法级,提出了利用EKF算法中数据对称性的方法、利用数据稀疏性的方法、优化的矩阵乘法计算顺序以及利用数据等效性的方法,以充分利用EKF算法中矩阵的数据特性,减少运算量。在EKF硬件加速系统的架构级,提出了以可重构矩阵乘法硬件加速器为核心模块,矩阵求逆模块、矩阵加/减法模块、求偏导函数模块、矩阵拼接模块和预测/测量函数模块为协同计算模块的系统架构,实现了更广的加速范围。在可重构矩阵乘法硬件加速器级,在充分考虑EKF算法中矩阵乘法多样性和特殊性的基础上,提出了高效的数据存储策略和可重构数据流设计方案,减少了存储开销,提高了EKF算法中矩阵乘法的吞吐率和硬件利用率。通过在EKF-SLAM系统级对本文算法级的创新设计进行验证,本文相比目前最先进文献工作,减少了EKF中27.4%的矩阵乘法运算量,减少了EKF-SLAM算法17.7%的计算时间。本文基于ALINX（AX7Z100）FPGA开发板对所提硬件设计进行了验证与评估。FPGA上板实现结果显示:硬件资源开销为13598个LUT、2371个FF、88个LUTRAM和30个DSP,最高工作频率为54 MHz。性能评估结果显示:相比目前最先进文献工作,本文设计能对EKF算法中所有矩阵乘法进行硬件加速,且减少了86.7%的存储开销,实现了更高的吞吐率（2倍）,实现了高达99.89%的硬件利用率。此外,本文还基于GPDK045数字工艺库对所提设计进行了面向ASIC设计的逻辑综合,结果为:硬件资源开销为74038个门单元,面积为0.336 mm~2,最高工作频率166 MHz,总功耗15.354 m W。