随着现场可编程门阵列(FPGA)的广泛应用,越来越多的研究人员开始探索新型的FPGA架构,例如包含了特定功能块(数字信号处理器或者存储器模块)的FPGA架构。在新型FPGA架构发展过程中,核心的难点在于如何在FPGA架构开发的早期阶段快速评估不同的逻辑块结构和布线架构。传统的基于实验的方法通常需要大量的时间,需要相应的EDA工具支持,不便于使用。本文提出了一种新的基于神经网络的方法,为FPGA架构的布线通道宽度和平均线长建立模型,实现FPGA架构的快速、高精度评估,为设计优化的FPGA架构提供了有效手段。本论文提出了两种建模方法:传统的神经网络(neural network(NN))和基于知识的神经网络(knowledge-based neural network(KBNN)),通过这两种建模方法来进行FPGA的架构设计。首先,本文利用传统的神经网络对同构FPGA的布线通道宽度进行精确建模,所建模型用于早期的FPGA架构发展,促进设计空间的快速探索。然后,本文又提出了利用基于知识的神经网络建模方法,来进行同构FPGA逻辑架构设计。基于知识的神经网络是将已知的分析模型嵌入到传统的神经网络中。神经网络能够帮助弥补分析模型在精度上的不足,根据需要提升模型的精度,同时保留了由分析模型提供的有指导意义的物理趋势。训练得到的基于知识的神经网络模型,能够预计基准电路映射在多个备选FPGA架构上以后的布线通道宽度。最后,本文将基于知识的神经网络用于异构FPGA的架构设计。本文的设计目标是为一系列基准电路找到一个合适的FPGA架构,使得平均线长最小,资源匹配度最高。此方法可以在早期FPGA架构设计阶段帮助架构设计师进行架构参数的折中。本文提出的神经网络模型相比之前提出分析模型在精度上有了很大的提升,并且本文的模型已经应用到FPGA架构发展中,也证明了模型的实用性和有效性。