随着计算机算力突破性的提升,卷积神经网络（CNN）已经成熟应用在安全监控、语音语义识别、图片分类、目标识别、智能控制等领域。近年来,神经网络的训练和推理的主要使用平台是GPU,但GPU平台价格昂贵、功耗较高、不适合嵌入式等微型设备,而FPGA平台具有并行高速运算、功耗低、价格一般、适用于微型设备等特点。因此,基于FPGA的卷积神经网络加速平台应运而生。本文首先介绍了CNN卷积神经网的各层结构,包括卷积层,池化层,全连接层等等,分析了现场可编程逻辑门阵列（Field Programmable Gate Array,FPGA）加速CNN的可行性与优势。根据卷积神经网络中多个卷积核并行运算的特点,结合FPGA平台适合高速并行运算优势,提出使用FPGA加速卷积运算部分的方法。其次,根据卷积运算复用的特点,采用数据复用方式,并根据硬件资源大小划分卷积运算的并行度。然后,针对纯FPGA结构适合并行加速运算但不擅长嵌入式控制问题,提出了一种异构加速方法,采用ZYNQ系列的FPGA,该芯片是ARM+FPGA结构,将神经网络分成卷积运算和全连接运算两个部分,使用FPGA端加速并行度要求高的卷积运算部分,ARM端完成运算控制、数据传输和全连接层,这种异构加速方式大大缩短了开发周期、降低了开发难度。另外,实验结果表明,该方法既可以提升速度又具有通用性。最后,以数字手写体为例,在ZYNQ平台的FPGA端搭建复用的卷积运算模块,在ARM端搭建控制模块及全连接层运算模块,实现了卷积神经网络设计。经验证异构加速平台可以完成数字手写体的识别,整个算法工程的功耗为1.856W,一张图片的运算时间为87us,准确率为91%,实验结果表明本加速平台在保证其准确率的同时,具有更快的速度、更低的功耗并具有通用性,和其他平台相比显然本平台更适合加速卷积神经网络。