随着人工智能概念的逐渐普及,人工智能的发展越来越得到人们的重视,甚至,人工智能已经列入国家重点发展产业。现在的人工智能还处于弱人工智能时代,未来将有机会突破,可以更好的帮助人类解决问题,改变人们的生活方式,进入智能化的时代,会出现智能机器人、无人驾驶等技术,人工智能将会在社会的各个领域发挥更大的作用。深度学习就是利用神经网络来表达学习的过程,神经网络的学习方法很形象地模拟了人类大脑的思维方式,表现出更好的效果,其中又以卷积神经网络最为典型。本研究主要目的在于将卷积神经网络在FPGA硬件平台上运行,不仅探索提高卷积神经网络性能和延时优化的方法,还有HLS开发流程的研究,以字符分类应用为例进行了实践研究。本文首先讲述了神经网络的发展历史,学习了卷积神经网络的前向和反向运算以及具有代表性的反向传播算法;随后介绍了一般卷积神经网络的组成结构,例举了典型的卷积神经网络Alex-Net和VGG-Net。设计了字符分类的卷积神经网络,然后通过搭建网络训练环境,对卷积神经网络进行训练,生成模型文件。分析了网络的结构,提出对网络的优化方案来提高网络的性能,通过仿真优化结果对比,寻找出了最佳方案。使用HLS综合和协同仿真对源文件进行转换,并进一步验证了卷积神经网络功能的正确。最后设计了卷积神经网络的硬件实现系统,FPGA在运行卷积神经网络前向预测方面有着极大的优势,保证系统对时序的要求,插入ILA核对输出信号和状态信号进行监测,观察卷积神经网络在FPGA的实时运行情况,分析结果得出结论,最终成功在FPGA中运行卷积神经网络。