目前，高能物理探测器中广泛采用CR-RCn整形电路处理探测器前端脉冲，并由模数转换器进行采样，记录的采样点信号用于时间、幅度等信息的提取。由于成形后脉冲的非理想特性（非线性波形和非高斯型噪声），以及探测器长期漂移和短期波动的影响，传统的最小二乘法拟合以及卡尔曼滤波的方法难以获得统计上最优的结果。在提取脉冲成形信息上，具有通用逼近性质的神经网络方法具有一定的优势。本文中，作者实现了一款卷积神经网络芯片，专门用来处理高能物理中的脉冲成形任务。通过片上的重配置功能，该芯片能够实现神经网络中常见的卷积、转置卷积（解卷积）和全连通运算。在此基础上，作者设计了一个由10层降噪自编码器和3层全连通网络组成的网络结构，该结构能够有效地抑制输入时间序列的非理想特性，提高脉冲成形信息提取的精度。在GSMCR013的130nm工艺下，我们完成了芯片的后端设计和后仿真工作。根据仿真结果估算该芯片的峰值计算性能在7GOPS/W左右。