近年深度学习在视觉领域的突破性进展使其研究异常火热,尤以卷积神经网络为代表的算法模型不断推陈出新。然而,算法模型的计算量增加,使得如何实现算法加速成为亟待解决的问题。当前深度学习算法主流部署平台都有一定缺陷,CPU运算速度缓慢,GPU功耗高,专用集成电路（Application Specific Integrated Circuit,ASIC）不易更改网络模型,导致硬件平台难以兼顾实时性与经济性,相反FPGA的并行计算能力较好、功耗低和资源丰富,更适合用于卷积神经网络（Convolutional Neural Networks,CNN）加速。目前在水果的后期加工环节,传统通过机械式分级机对采摘后的水果进行分类,同时根据其外部品质优劣进行分级处理的方法存在精度低和速度慢的问题。论文为此提出了一种基于深度学习的水果外部品质分级的算法,同时将其部署在现场可编程门阵列（Field Programmable Gate Array,FPGA）,实现算法加速,无需人工参与,即可获得较高的识别率和工作效率。论文主要工作如下:（1）为提高水果分级的效果,论文采用轻量化卷积神经网络Mobile Net V2算法来提高识别速度和准确性。通过修改全连接网络层和增加注意力机制,对Mobile Net V2算法进行适应性改进。利用自制的数据集,对改进后的算法进行了验证。实验证明:改进后的Mobile Net V2算法准确率提高了1.95%。（2）为提高卷积神经网络的运算速度,论文采用Xilinx公司的ZCU104作为开发平台,对预处理和改进后Mobile Net V2算法进行硬件加速处理。根据其ARM+FPGA的架构,将FPGA的算法实现分为可编程逻辑（Programmable Logic,PL）和处理器系统（Process System,PS）两个部分。首先在PL侧实现了均值滤波与双线性差值缩放,然后对Mobile Net V2的卷积函数进行了并行优化,通过双通道卷积和对输入特征图通道方向得到的数据进行并行计算,提高模块执行的效率,并在其内部设计了并行批量归一化（Batch Normalization,BN）模块,同时设计了高并行的流式池化模块。另外,还对激活函数Softmax函数进行了多次分段查表的改进。在PS侧实现Mobile Net V2的网络重建以及反向残差层的数据流调度。实验证明:在CPU、GPU和FPGA平台的准确率相差不大的情况下,FPGA并行化算法的运行速度是CPU的6.8倍并略高于GPU。