随着人工智能的不断发展和移动智能终端设备的普及,图像数据量呈现指数方式增长,采用传统的人工判读和解译的方法已经无法满足图像识别的实际需求,卷积神经网络CNN作为人工智能领域图像识别的一种有效的实现方法,已经在很多人工智能任务中取得重大的突破,因此越来越多的学者基于卷积神经网络开展了大量的研究。目前学术界和工业界新兴的趋势和实际应用是将卷积神经网络应用到边缘设备,例如智能手机,无人机（drones）和人工智能物联网（Artificial Intelligence of Things,AIo T）设备。然而,边缘设备一般使用在资源和能量有限的条件下,因此改善卷积神经网络电路的P（Performance）P（Power）A（Area）具有非常重大的意义。自从谷歌的TPU（Tensor Processing Unit）在图像处理方面取得成功后,脉动阵列已经成为加速卷积神经网络至关重要的架构。然而传统的脉动阵列需要设计非常复杂的外围电路去获取准确的输入特征和输入权重,然后传输到设计好的处理单元中,与此同时数据加载和卸载具有非常大的延时。因此传统的脉动阵列方法具有设计复杂、电路面积和延时大的缺点。本文采用了兼具高吞吐率和低延时的矢量型脉冲阵列来加速卷积神经网络。采用逐行向量类型的脉冲数据流,可以非常好的简化外围电路的设计和降低数据加载和卸载的延时。现场可编程门阵列FPGA（Field Programmable Gate Array）和传统的神经网络计算器CPU、GPU相比,具有体积小、功耗低、并行计算能力强、对硬件平台配置要求低等优点,因此将FPGA作为卷积神经网络的硬件加速平台来实施加速策略。为了充分利用FPGA上DSP（Digital Signal Processor）INT8计算单元,进一步采用双列矢量型脉冲阵列,理论上可以将计算吞吐率提高两倍。最后,将该加速器部署到PYNQ-Z2开发板上,实际加速VGG16神经网络,根据实验计算得到卷积层的最大峰值吞吐量可达107.21GOP/s,超过了之前在同一硬件平台的所有工作的吞吐率。