DenseNet作为目前较为主流的卷积神经网络,不再依靠更深的网络层数和更宽的网络结构来提升网络性能,在机器视觉、工业检测、遥感图像处理等各个领域都具有巨大的应用价值。网络以具有稠密连接的Dense Block模块为核心,更有效利用每一层特征图,减少了梯度消失的现象,同时也保证了较高的精度。但DenseNet模型在具有较高精度的同时,密集的计算和存储特性严重制约了其在边缘端的部署和应用。针对上述问题,已有研究证明参数剪枝方法可以大幅降低模型复杂度。对已经完成预训练的网络模型,参数剪枝通过删除其中冗余的权重,压缩模型的计算量及参数量,从而减少模型的预测时间以及资源消耗,为卷积神经网络在边缘端部署提供更加有利的条件。其中,细粒度剪枝针对单个权重值进行剪枝,能够减去模型不重要的权值参数,减少模型的尺寸并且保持模型的精度,相比于以网络层或通道等为单位进行剪枝的粗粒度剪枝方法,具有更高的自由度,但这类剪枝方法需要定制硬件架构进行加速。本文针对DenseNet在边缘端部署困难的问题,设计一种适用于边缘端嵌入式设备中的数据访问和大规模并行计算的细粒度剪枝方法,并设计稀疏矩阵压缩方法对稀疏卷积神经网络的权重参数进行压缩处理并存储。最终利用FPGA定制高效卷积计算加速单元,完成基于FPGA平台的加速器整体测试与评估。具体研究内容如下:（1）针对DenseNet消耗大量存储资源的问题,本文提出一种轻量DenseNet结构并使用细粒度剪枝的方法进行模型压缩。轻量DenseNet在保留DenseNet核心结构的情况下,改进网络中大量重复复杂结构,同时保持网络精度。然后针对CNN卷积层参数冗余的问题,设计基于轻量DenseNet的细粒度剪枝方法,减小网络卷积层的计算量和参数量。考虑到硬件部署的问题,本课题采用平衡稀疏的方法,兼顾细粒度剪枝的高精度以及粗粒度剪枝的规则性,使算法更适用于边缘端计算设备中的数据访问和大规模并行计算处理。（2）针对稀疏后轻量DenseNet在存储上和计算上并没有实际的优化,无法直接在硬件上进行部署的问题,设计压缩存储方法,减小部署的推理网络的计算量和存储量。由于稀疏后的网络仍然是规则卷积计算,没有跳过被剪枝的零元素,在存储上和计算上并没有实际的优化,在硬件部署上难以达到实际的加速效果,本文基于平衡稀疏的方法设计压缩存储块（Compressed Sparse Banks,CSB）方法对卷积层进行压缩存储以及对应的稀疏卷积计算方法设计,实现卷积层的计算加速以及存储资源优化。（3）针对通用处理器难以满足嵌入式边缘端对DenseNet网络高速处理的需求的问题,本文基于FPGA进行轻量DenseNet加速器设计。实验基于FPGA进行硬件实现以及测试,实现轻量DenseNet加速器在边缘端的部署。