1.一种可配置神经卷积网络芯片系统，其特征在于，包括至少一个神经网络配置单元，每个所述神经网络配置单元，包括：稀疏单元，其用于分别稀疏配置每个局部像素及其相应权重系数，以适应卷积核大小变化；通过把图像分成不同的局域，进行基于局域输入像素的不同边缘特征的提取，即局部像素数据与卷积核进行卷积运算，以准备提取不同边缘特征；滤波器乘累加阵列，其用于对稀疏配置后的每个局部像素与预设卷积核进行卷积运算，再利用每个局部像素对应的权重系数对相应卷积运算结果相乘后累加；权重系数存储器通过多播形式将其内存储的权重系数同步播送至滤波器乘累加阵列，以实现权重系数的共享；

多局部像素数据矩阵与共享系数数据矩阵的卷积处理硬件架构，像素数据与权重系数的卷积之前的系数连接路由可以进行配置，以适应不同的卷积核大小，适应不同特征提取；

访问整数化对齐化的权重系数存储器，考虑到系数共享，利用共享权重系数多播网络，把系数存储体的数据通过总线播放到滤波器乘累加阵列的子系数总线输入接口；并行的滤波器乘累加阵列可以同步处理多个局部像素输入阵列，得到不同的特征映射，以进行后续的池化处理；

累加单元，其用于将预设偏置系数与滤波器乘累加阵列输出的卷积累加结果再相加，以调整隐藏神经元的难易激活程度；

最大池化单元，其用于将隐藏层神经元进行最大池化处理，以减少后面卷积的神经元数量；

时钟门控单元，其与所述滤波器乘累加阵列相连；所述时钟门控单元用于为根据其输出的时钟信号来实现是否更新计算数据。

2.如权利要求 1 所述的可配置神经卷积网络芯片系统，其特征在于，所述可配置神经卷积网络芯片系统，还包括：

像素数据存储器，其用于存储图像中所有的局部像素数据。

3.如权利要求 1 所述的可配置神经卷积网络芯片系统，其特征在于，所述可配置神经卷积网络芯片系统，还包括：

权重系数初始化单元，其用于对每个局部像素对应的权重系数进行初始化，整数化和对齐化为预设位数的数据。

4.如权利要求 3 所述的可配置神经卷积网络芯片系统，其特征在于，所述可配置神经卷积网络芯片系统，还包括：

权重系数存储器，其用于存储所述权重系数初始化单元处理后的权重系数。

5.如权利要求 1 所述的可配置神经卷积网络芯片系统，其特征在于，所述可配置神经卷积网络芯片系统，还包括：

供电门控单元，其与所述滤波器乘累加阵列相连；所述供电门控单元用于控制滤波器乘累加阵列的启停工作状态。

6.如权利要求 1 所述的可配置神经卷积网络芯片系统，其特征在于，所述可配置神经卷积网络芯片系统，还包括：

偏置系数存储器，其用于存储预设偏置系数。

7.一种如权利要求 1‑6中任一项所述的可配置神经卷积网络芯片系统的配置方法，其特征在于，包括：

分别稀疏配置每个局部像素及其相应权重系数，以适应卷积核大小变化；

对稀疏配置后的每个局部像素与预设卷积核进行卷积运算，再利用每个局部像素对应的权重系数对相应卷积运算结果相乘后累加；

将预设偏置系数与卷积累加结果再相加，以调整隐藏神经元的难易激活程度；

将隐藏层神经元进行最大池化处理，以减少后面卷积的神经元数量。

8.如权利要求7所述的可配置神经卷积网络芯片系统的配置方法，其特征在于，在分别稀疏配置每个局部像素及其相应权重系数之前，包括：对图像像素数据预先压缩处理，仅保留单通道灰度数据，去掉其余色度通道数据；

把图像分成不同的局域，得到图像中所有的局部像素数据；对每个局部像素对应的权重系数进行初始化，整数化和对齐化为预设位数的数据。

9.如权利要求 7所述的可配置神经卷积网络芯片系统的配置方法，其特征在于，在分别稀疏配置每个局部像素及其相应权重系数之前，还包括：利用供电门控单元控制滤波器乘累加阵列的启停工作状态。

10.如权利要求 7所述的可配置神经卷积网络芯片系统的配置方法，其特征在于，在分别稀疏配置每个局部像素及其相应权重系数之前，还包括：利用时钟门控单元输出的时钟信号来实现是否更新计算数据。

11.如权利要求7所述的可配置神经卷积网络芯片系统的配置方法，其特征在于，在分别稀疏配置每个局部像素及其相应权重系数之前，还包括：通过多播形式将权重系数存储器内存储的权重系数同步播送至滤波器乘累加阵列，以实现权重系数存储器和滤波器乘累加阵列之间的权重系数共享。