在空天领域,遥感图像处理一直在推进智能化发展,卷积神经网络（Convolutional Neural Networks,CNN）等人工智能算法正在逐步取代传统算法。为适应未来更加复杂的任务场景,卷积神经网络算法发展迅速,星上系统需要实现卷积神经网络的快速部署,并且已经部署的卷积神经网络需要根据目标需求实现快速的优化迭代。目前星上系统广泛使用的硬件平台是现场可编程门阵列（Field Programmable Gate Array,FPGA）,在面向卷积神经网络等复杂算法时,传统的使用硬件描述语言开发FPGA的方式开发难度大,研发周期长,或者使用高抽象层次设计工具开发,虽然研发周期缩短,但性能不佳。因此,本文的研究重点是在保证卷积神经网络的快速部署和迭代的基础上提升网络的性能。本文的主要工作包括以下几个方面:（1）对网络的压缩优化和基于FPGA的卷积神经网络加速的现状进行了分析总结,为后续网络优化和加速器的硬件设计确立了研究方向和内容,对卷积神经网络和FPGA的相关理论进行介绍,并根据项目需求,对Res Net18卷积神经网络做了详细介绍,为后续的设计作铺垫。通过对比不同开发工具的优劣确定了本文的开发工具,以实现卷积神经网络快速部署迭代的目标。（2）以ResNet18为研究对象,研究了卷积神经网络优化策略。首先分析了Res Net18的网络结构,采用两种方式对网络进行优化,通过卷积层与批归一化（Batch Normalization,BN）层的融合减少网络模型复杂度,然后通过模型量化将网络的输入数据和权值由原来的浮点数量化为有符号的8bit定点数。在UCMerced＿Land Use数据集上对优化前后的网络进行测试,结果表明网络对图像的分类准确度基本没有下降,而网络规模下降为原来的四分之一。（3）基于卷积计算过程,提出了一种卷积并行加速架构。为了减少FPGA片上缓存的消耗,设计输入数据和权重的数据分片方式;为了增加数据复用,利用循环交换增加输入数据在通道上的复用,并设计线性缓存增加输入数据在二维平面上的复用;在卷积并行上,设计输入输出通道以及卷积核的并行计算,利用乘法阵列和加法树实现硬件设计,同时提出数据并行度探索算法优化硬件资源利用。结果表明,通过使用多种卷积优化策略,本文设计的卷积神经网络加速系统最高工作频率可达225MHz,处理多个卷积层的平均性能为45.13GOPS,而功耗仅为4.268W,能效比为10.57 GOPS/W,对比其他文献的方案,本文的设计在DSP效率和能耗比上有一定的提升。（4）基于高层次综合（High Level Synthesis,HLS）对CNN加速器进行实现和验证。基于前文的硬件设计,使用HLS实现加速单元的代码设计,并综合为寄存器传输级（Register Transfer Level,RTL）实现,然后封装为IP核,通过行为仿真验证IP核的功能正确性。使用Vivado将IP核与ZYNQ集成并布局布线,对生成的硬件加速系统的时序、功耗、资源利用以及性能进行分析对比,便于寻找加速器性能瓶颈。本文加速器从设计到实现花费了两个月左右时间,相比传统的开发方式,本文大大缩短了开发周期,对于卷积神经网络在FPGA上的快速部署和迭代具有较好的借鉴意义。