卷积神经网络（Convolutional Neural Networks,CNNs）凭借其较高的准确性在图像识别、自动驾驶等领域很受欢迎。随着大规模图像数据的产生以及相关应用场景的开发,CNNs对计算性能的要求不断提高。而且受到工艺发展等条件的限制,传统处理器执行CNNs的能效过低。因此,芯片开发人员利用CNN加速器来提高CNNs的计算性能。但是随着制程工艺的发展,芯片尺寸的缩小和集成度的提高在带来能效提升的同时,也造成了软错误发生概率的提高。对于具有较高可靠性需求的新型CNNs应用程序（例如自动驾驶汽车）来说,软错误可能导致图像识别结果出错。而计算机系统基于错误的图像识别结果做出的决策可能造成车祸等无法挽回的后果。因此,分析并提升CNNs的软错误可靠性非常重要。本文分别从CNN模型和CNN加速器体系结构角度建立软错误可靠性量化分析模型,并提出了两种CNN模型软错误可靠性提升策略。首先,我们基于CNN模型可靠性特征,提出SERN模型。通过分析CNN模型的结构特点发现CNN模型的可靠性与软错误发生的位置有关。例如,发生在正数中的软错误比发生在负数中的软错误对CNN模型的图像识别结果影响更大;发生在32位浮点数的阶码符号位（第30位）中的软错误比发生在其他位中的软错误对CNN模型的图像识别结果影响更大。基于上述CNN模型软错误可靠性特性,提出的SERN模型仅需要少量的CNN模型参数就可以计算出CNN模型中发生的软错误导致图像识别结果出错的概率,具有通用性和普适性。基于SERN,我们发现位置靠前的层,软错误可靠性较差;计算量大越大的层,软错误可靠性较差。同时,本文通过对几种常见CNN模型进行错误注入实验,验证了所提SERN模型可以高效、准确地对CNN模型进行软错误可靠性分析。其次,我们基于CNN加速器的硬件结构特点和动态使用特性,提出CNNArcAVF模型。CNNArc-AVF根据对图像识别结果有影响的关键计算在CNN加速器中的驻留时间计算软错误导致图像识别结果出错的概率。根据CNNArc-AVF,我们探索了CNN加速器在不同架构设计下的可靠性特征,包括数据流映射策略,脉动阵列大小。借助CNNArc-AVF,我们发现了CNN加速器的可靠性瓶颈。例如,我们观察到与其他数据流映射策略相比,CNN加速器采用输出固定数据流映射策略时最容易受软错误的影响。我们进一步对CNN加速器中各处理单元进行可靠性分析,发现处理单元的利用率越高,其软错误可靠性越差。通过分析执行不同CNN模型时CNN加速器的可靠性,发现CNN加速器执行卷积层中的计算时比执行全连接层中的计算时更容易受到软错误的影响。我们还对CNN加速器的可靠性和性能进行了权衡。上述结论可以帮助芯片设计人员对可靠性瓶颈提出有针对性的可靠性提升策略,避免了对CNN加速器中所有操作盲目的添加纠错设计带来的计算资源和计算速度开销。最后,我们基于CNN模型的软错误可靠性特性,提出两种CNN模型软错误可靠性提升策略。分别为用纠错码（Error Correcting Code,ECC）保护易受软错误影响的数据位和冗余执行易受软错误影响的CNN模型层。通过实验证明上述策略可以以可接受的能耗和执行时间开销显著降低软错误对CNN模型的影响,提高CNN模型的图像识别准确率。