目前,“人工智能热”带动了以图像识别、视频识别等为核心的计算机视觉市场,卷积神经网络作为图像识别领域常用的处理模型,对其前向传播过程的加速进一步成为了研究的热点。粗粒度可重构架构兼具高效性和灵活性,是加速卷积神经网络前向传播计算的理想平台。因此,本文基于已有可重构架构进行优化,实现对卷积神经网络前向传播计算的加速。本文以卷积神经网络前向传播过程的核心算子为加速目标,以提高阵列利用率和吞吐率为目的,对粗粒度可重构架构REMUS-II的阵列结构和存储结构进行优化。具体研究内容包括以下几方面:(1)对图像识别领域的卷积神经网络前向传播原理进行分析,从理论评估和实验两个角度确定了其核心算子为卷积层;(2)通过分析卷积层的数据流特征,给出了结合卷积窗口并行与输出特征图并行的混合映射方案,并根据该映射方案对REMUS-II的阵列计算单元、阵列规模以及互连结构进行了优化,有效提高了阵列利用率;(3)基于卷积层数据存储量大、重用数据多的特点,提出了混合重用数据存储策略,并对REMUS-II的多层次片上存储结构进行优化,采用了多Bank的输入和输出缓存、多通道重用数据缓存及本地化权重缓存,并将缓存结构设置为乒乓缓存工作模式,从而有效地解决数据传输延时。AlexNet与VGG-16模型的RTL仿真实验结果表明,经过REMUS-II阵列结构和存储结构的优化设计,在工作时钟为150MHz时,阵列利用率达到87.41%,相比于优化前提高了8.41%;峰值吞吐率为119.95GOP/s,相比于优化前提高了19.95%。相比同类可重构处理器EMAX,本架构上核心算子执行吞吐率提升了1.34倍,阵列利用率提高了37.41%。