本课程为高等学院人工智能、电子信息及计算机科学与技术等相关专业的本科生和研究生的学科专业课，也可作为从事智能化系统设计的工程技术人员的选修课。本课程紧密围绕深度学习及加速技术基础理论与应用案例展开讨论，是一门深度学习基础理论与实践案例相结合、深度学习算法设计与硬件加速技术实现有机统一的人工智能基础与应用课程。本课程介绍了人工智能基本概念，神经网络数学基础，神经网络基本结构与学习策略，反向传播算法数学原理与训练机制等神经网络基础理论；介绍了卷积神经网路基础、LeNet、AlexNet、VGGNet、GoogleNet与ResNet等结构的卷积神经网路理论与技术；介绍了RCNN、fast-RCNN、faster-RCNN、YOLO、SSD等不同类型目标检测算法的网络结构、工作原理以及不同算法间的异同点等；介绍了减小梯度消失与梯度爆炸、消除过拟合、初始值选择规则、可变的学习速度、损失函数优化等深度学习算法设计关键技术；介绍了网络模型优化、计算精度降低、网络剪枝技术、SIMD计算架构与GPU加速、TPU计算架构TPU加速、ASIC AI计算架构与FPGA加速等深度学习加速技术基础；介绍了Python与TensorFlow开发平台构建、Python数据结构与程序设计、TensorFlow深度学习算法框架、深度学习结构优化、OpenVINO跨平台人工智能计算架构原理、基于OpenVINO的FPGA异构加速实现方法等深度学习算法设计平台工具及OpenVINO异构计算框架技术；详细分析了物体识别与定位，电子零部件缺陷检测、垃圾瓶颜色识别等应用案例。