通信辐射源个体识别技术在频谱管控等领域有着重要的价值,为了提高识别效率和准确率,人们将深度神经网络用于该技术。GPU是处理深度神经网络的常见硬件平台,但GPU运行深度神经网络时功耗高、能效比低。为了满足移动场景中对辐射源识别系统的低功耗要求,本文将可重构方法用于加速深度神经网络的硬件设计中,开展重构指令设计、数据复用和计算引擎分组并行等几个方面的研究。首先,基于算法和硬件的协同设计等手段,设计了用于辐射源个体识别的神经网络模型,该网络通过深度的卷积运算自适应提取特征,与人工提取特征并使用传统机器学习的分类方法相比,本文设计的网络模型对辐射源具有更好的识别性能。其次,基于Xilinx的可重构神经网络处理IP核——深度学习处理器（Deep Learning Processing Unit,DPU）,设计了辐射源个体识别系统。通过对DPU的基本结构、计算引擎的工作原理以及数据缓存机制的研究,完成了IP核配置、DPU工程搭建、定制Linux系统、开发应用程序以及将神经网络指令化等工作,实现了网络模型的部署和数据交互。然后,设计了一个可重构的神经网络处理器（Reconfigurable Neural Network Processing Unit,RNPU）。构建了RNPU的基本结构,将其划分为控制模块、存储模块和计算模块,其中控制模块负责指令解析和控制信号的生成,存储模块负责权重数据、处理数据、指令和偏置数据的缓存,计算模块负责卷积层、池化层、和全连接层的计算。为了减少多层神经网络对硬件资源的开销,本文采用了一套重构指令实现计算资源和存储资源的可重构。为了提高RNPU的计算性能,采用了计算引擎分组并行加速设计;为高效发挥计算引擎的性能,采用了数据重整和复用设计;为了适应辐射源数据大动态的统计特征,系统使用了可变量化技术。通过仿真验证了RNPU功能的正确。最后,使用ARM+FPGA的ZYNQ平台对DPU和本文设计的RNPU两种系统进行测试和性能分析,它们对辐射源个体的识别准确率均到达95%以上,相比算法仿真,系统定点化和截位导致的准确率损失不到1%。使用DPU的系统的单帧识别时间是67ms,功率为6.76W,使用RNPU的系统的单帧识别时间是43.5ms,功率为6.99W。在占用相近硬件计算资源的情况下,本文设计的RNPU在识别速度和功率方面表现出一定的优势,具有更高的能效比。