我国作为一个粮食需求大国,农作物的长势与收成关系到十几亿人口的生活基本需求。除了自然环境以外,对植物影响最为严重的就是病虫害问题。因此对于植物病虫害实时有效的监测对我国农业发展有着重大意义。本文针对这一问题,研究了在近年来发展日趋成熟的Caffe深度学习技术框架下,基于神经网络张量处理器(TPU)和FPGA SOC芯片,搭建了面向边缘计算的植物病虫害分级检测系统。解决了深度学习对计算资源的巨大消耗以及边缘计算环境下计算资源受限之间的矛盾,使该系统的功耗、体积、准确度、计算速度足以满足边缘端或手持移动端设备的需求。本文首先对深度学习领域中的相关原理以及常见网络模型算法进行简要介绍,对FPGA、TPU基本原理、架构、特性及二者结合的可行性进行了探究。同时对caffe深度学习框架以及本文所需的数据集进行简要介绍。之后选择合适的网络模型并探究对其进行优化和压缩的最佳方案,使其进一步拟合边缘计算环境的需求,同时尽可能降低对准确度的影响。最后在PC端基于Linux操作系统利用caffe深度学习工具,完成神经网络算法模型的构建、优化和训练,将算法模型和相关C++软件通过以太网下载到目标器件,使SOC芯片内的ARM CPU可以依靠API函数调用TPU处理器执行深度神经网络计算任务。本文通过在FPGA SOC芯片上搭载TPU软核,与芯片内置ARM CPU协同工作的全新异构边缘计算架构,实现对深度神经网络模型的加速计算以及准确度的提升。并且通过与其他不同计算架构的深度学习边缘计算平台进行对比,证明该系统在不降低准确度的条件下,对于小规模深度神经网络的加速计算上有着明显优势。最后在此基础上,以植物病虫害数据集为基础,完成了对植物叶片有效的灾害分级检测,系统准确度、功耗、计算速度等指标均满足设计需求。