谷物及其加工品,是人体营养摄入的关键来源,是老百姓日常膳食结构中必不可少的食物。在生活中,不良商家使用成本较低的谷物粉以次充好,牟取暴利,严重危害消费者权益与身心健康。针对这一现象,专家学者提出诸多检测技术,但是对于外观、气味没有明显差异的谷物粉及其掺杂物,采用传统化学计量法的检测技术速度慢,而采用机器视觉方法的检测识别精度较低。微波与毫米波无损检测技术灵敏度高、抗干扰能力强,结合分类算法能够区分不同属性的物质,克服当前检测技术的不足。分类算法的性能直接影响检测效果,而随机森林算法抗干扰能力强、过拟合风险低,在众多实际应用中的表现优于其它算法模型。此外,随机森林算法内部集成若干彼此独立的决策树,利用FPGA可以充分挖掘其并行性,达到算法加速的效果。因此,本文采用软硬件协同设计的策略,研究基于FPGA的随机森林算法硬件加速实现,结合微波无损检测技术,完成对谷物粉的快速、准确分类与识别。本文具体研究工作如下:针对当前谷物粉分类技术精度低、稳定性差的现状,本文提出利用微波无损检测技术结合随机森林算法的谷物粉分类方案。首先基于微波无损检测装置制作谷物粉的微波特征谱数据集,使用Matlab完成随机森林模型的训练;然后使用随机森林模型对数据集进行预测。结果表明随机森林算法识别精度显著高于其他分类算法,训练集识别精度为99.33%,测试集识别精度为98.67%,总体分类准确率高达99%。针对随机森林算法软件实现速度较慢的问题,本文采用软硬件协同处理方案,基于异构FPGA实现随机森林硬件加速器。本文提出一种随机森林模型数据结构,仅整合随机森林模型的精简有效信息,减少存储资源的消耗;接着在FPGA中实现微波特征谱接收模块、随机森林预测模块、外设驱动模块。在设计随机森林预测模块时,本文提出一种模型数据置于BRAM中的存储方案,基于该策略硬件电路能够轻易读取所有决策树任意节点信息。本文在ARM中部署LWIP协议栈,基于以太网接口实现随机森林模型数据的接收。此外,ARM配置并启动硬件IP,完成随机森林模型数据的传输,保证随机森林模型正常工作。最后完成谷物粉分类系统的安装与调试,对比分析随机森林模型软硬件实现的性能表现。实验结果显示,在预测精度一致的情况下,采用硬件加速的随机森林模型识别速度是软件实现速度的4.19倍,此外随机森林硬件实现资源消耗与功耗都处于较低水平,这表明基于FPGA实现随机森林算法,在取得优异加速效果的同时,具备低功耗、低开销的特点。