伴随着大数据时代的到来,卷积神经网络逐渐的替代了传统的识别方法,为了获得更强的特征,实现更高的精度,网络也从2D发展至3D。网络的结构变得日渐复杂,对硬件的计算能力要求便越来越高。虽然现在用于运行网络的CPU与GPU能满足某些应用的需求,但在识别速度快、能耗要求高、环境复杂的场景下,CPU与GPU就明显不适用了。FPGA具有高度并行、可配置和低功耗等特点,在FPGA上运行诸如卷积神经网络这种高度并行网络具有广泛的应用前景。本文选取了一种轻量级的点云神经网络(Pointnet)作为研究的基础架构,该网络是一种三维并能用于直接处理点云数据的神经网络。通过分析该网络的时空复杂度,在不影响训练精度的情况下,对该网络进行优化(O-Pointnet),并且通过添加批量归一化的方式来增加网络的非线性,而不是采用添加偏置的方式,以便达到更快的运算速度同时减少内存的负担。此外,本文通过FPGA对点云神经网络进行加速。采用“主机+FPGA”的计算架构,FPGA用来对点云神经网络的前向传播部分做硬件加速,主机用来对训练好的特征做分类。通过分析点云神经网络的并行性与FPGA内部资源情况,设计其前向传播的硬件结构。通过时序控制,来实现不同卷积的复用与启动。本文的设计在Zynq系列的xc7z045平台上实现,整个系统采用部分流水的方式,采用16bit定点数进行运算,处理一张大小为640×480的深度图,其速度为0.279s,即FPS=3.58images/s,功耗仅为2.1W。实验表明,本文的设计,速度相比于CPU提高了约8.4倍,相比于GPU提高了约6.6倍,同时功耗小于CPU与GPU的功耗,进一步验证了本文的设计达到了快速度、低功耗的基本目的。