在大型物理实验装置中包含多种探测器,将探测器的输出进行数字化采集并根据数据分析粒子的信息是物理实验的重要环节。量能器主要用于测量粒子的能量,输出通常表现为脉冲信号的形式,在脉冲信号中提取时间与幅度信息是粒子分析重要的一步。脉冲特征提取有很多方式,如曲线拟合、种群技术等。随着探测器实验数据量的不断增加,探测器环境中往往包含随机噪声、长期漂移、短期改变等影响。传统的数字化处理方式在消除探测器环境中噪声等影响方面存在一定的局限性,在进行脉冲特征提取时不能保证最佳的精度。深度学习方法由于具备准确率较高和处理速度较快的优势,逐渐被用于物理实验的数据分析中。目前,有很多使用深度学习处理脉冲信号的研究,例如使用深度学习模型完成堆积脉冲的识别,使用长短期记忆网络模型进行脉冲特征提取等。但这些研究大多基于离线状态对数据进行分析,当计算量增大时,这些模型无法在硬件平台上实现。在探测器中为了降低数据传输对系统的压力,往往需要实时处理数据,在线处理的硬件系统更符合实验环境的需求。为了便于实现在线处理系统,深度学习中的卷积神经网络不仅包含深度学习处理脉冲信号的优势,而且计算简单,易于实现,成为一种新的脉冲特征提取方法。本文以低温高密核物质测量谱仪的零度角量能器为背景,基于卷积神经网络在FPGA平台上设计了一个用于脉冲特征提取的硬件系统,主要提取量能器脉冲的时间与幅度信息。该系统包含神经网络计算器和控制器两个部分。神经网络计算器使用并行运算和数据复用的加速方式支持卷积神经网络中的卷积运算、解卷积运算和矩阵乘法,承担系统的核心计算部分。控制器通过指令的形式完成对神经网络计算器的配置,承担系统的监督和调度部分。每一层在运行时,控制器发送配置信息和计算数据给神经网络计算器,神经网络计算器完成一层的计算后将结果传输回控制器。控制器对数据进行量化处理,作为下一层的输入,按照该循环过程完成卷积神经网络中所有层的运行。经过测试,在控制器的工作频率为100MHz、神经网络计算器的工作频率为25MHz的情况下进行仿真,系统中全连接层第二层耗时最长,为966.8μs。在真实实验平台上,基于Python平台的Tensorflow环境下的软件处理使用浮点数计算方式,系统的硬件处理使用8bit定点数计算方式。在相同的卷积神经网络架构下,脉冲宽度为1μs,ADC芯片采样电压在±5V时,硬件处理的时间分辨率为0.01500μs,幅度分辨率为0.02747v,软件处理的时间分辨率为0.01329μs,幅度分辨率为0.02499v。硬件系统与软件处理性能相差不大,可以代替软件应用于探测器装置中对脉冲信号进行处理,实时提取脉冲的时间与幅度信息。