基于卷积神经网络的图像去噪凭借其强大的特征学习能力在众多去噪方法中展现出优势,随着基于卷积神经网络技术的设备在智慧城市、智能医疗、无人驾驶、军事安防等场景中广泛应用,基于卷积神经网络的图像去噪技术在设备的功耗、延迟、资源利用和实时性等方面提出了新的挑战。考虑移动端有限的计算资源,本文采用U型网络作为图像去噪的主干网络,提出了一种新的真实图像去噪算法。为了提高移动终端计算能力,在算法基础上,围绕硬件架构、片上缓存、性能及功耗等方面进行移动端专用型神经网络加速器的研究与设计。论文主要工作如下:在算法方面,对CBDNet进行研究与分析,提出在上、下采样阶段采用小波变换,减少了乘法器的利用,更易于在资源有限的移动端实现,并且模拟相机内处理产生噪声图像数据集。在SIDD数据集和模拟数据集上进行训练,在SIDD测试集和DND测试集上进行评估,真实图像去噪性能相较于CBDNet有一定的提升。针对资源有限及低功耗的需求,对训练之后的网络进行剪枝以及8-bit量化压缩,有效地提升了算法的效率并且减少了其需要的存储空间。在硬件方面,针对使用小波变换及小波逆变换的卷积神经网络图像去噪算法,采用专用的卷积神经网络加速器结构,降低片内外存储带宽;采用并行运算的方式,提高了小波逆变换的运算效率;在兼顾资源和速度的前提下,实现算法的加速推理。在Xilinx XC7Z035-2FFG676 FPGA上对图像去噪加速器系统进行仿真及实现。结果表明,本文设计的卷积神经网络加速器工作在100MHz时钟频率下,平均计算性能为55.2GOPS,功耗为1.93W,与GPU相比有更低的功耗,与现有的加速器相比,实现了较高的能耗比。图像去噪系统在DND测试集上测试,信噪比为36.21d B,结构相似比为0.9435。