深度卷积神经网络（DNNs）实现了高精度预测判定,在诸如语音识别、图像识别和自然语言处理等方面得到了广泛的应用。卷积神经网络存在计算密集和存储密集的特点。虽然高度并行的设备有效地满足了计算的需求,但能效仍然是一个需要解决的问题。在基础工作阶段,我们首先完成了一个包含三级存储层次（网络、片上缓存、片外存储）的模拟框架,可以对多种加速器结构进行模拟,并评估比较不同网络中对计算序列和数据布局的各种组合所产生性能功耗差异。之后,我们实现了一个脉动阵列结构的卷积神经网络加速器,平衡I/O与计算速度,对卷积操作进行并行计算。并对不同规模下的脉动阵列进行了性能与功耗评估,对脉动阵列的可扩展性进行了分析。在此基础上对加速器进行了存储以及计算上的优化。在计算优化方面,我们设计优化PE结构以实现权值重复优化,并设计两阶段阵列流动,用来完成先累加后相乘的步骤。过程中减少乘法操作,降低了片上的计算功耗。同时,利用量化后的权值索引进行流动,降低带宽需求。在存储优化方面,我们提出两个新的卷积计算模式:NHWC_fine和NHWC_coarse。基于权值可缓存于片上这一事实,充分利用特征值数据的重用以减少对于特征值的片下访存。另外结合新的运算序列重新排布特征值数据,以突出局部性,最大化的利用合并访问及带宽,提供连续访存序列。应用各种卷积层的实验表明,新的计算模式模式比各种网络上的原有的传统双向划窗计算模式更节能。总能耗降低了4.10倍。片外存储器访问延迟的减少高达5.11倍。而且,当网络越来越深时,优化的效果也更加明显。