目前，人工智能快速发展，人们可以通过探索硬件设计空间使优秀的神经网络算法高效部署在FPGA加速器。然而，由于参数量大、操作过于复杂而导致算法与硬件难以匹配，加速效率不高。为了算法和硬件两者匹配性更强，提出了一种多层次协同搜索的方法，采用SPOS搜索策略并以检测准确率和延时为评估目标，搜索出最优神经网络架构、量化方式和硬件设计参数组合。该方法应用在姿态识别中具有优异性能的沙漏网络中，在获取候选子网络量化前、后的检测准确率的同时对硬件设计参数使用遍历搜索得到预估延时，根据目标函数获取最高得分的最优组合。为了保证获取的数据有效性，子网络需要进行重新训练、量化后重新推理得到检测准确率，获取硬件设计参数则利用基于Spinal HDL设计的加速器模板进行仿真测试得到测试延时。就平均而言，该方法比文献［1］减少了83.3%的参数，准确率只下降了0.69；比传统加速方法平均减少了33.2%参数量，准确率只下降了0.46，网络推理的测试总延时减少22.1%，在沙漏块的测试延时减少67.8%。总体而言，该协同搜索方法对于沙漏网络的优化有一定效果，比传统加速设计方法更有优势。