随着科学技术的发展,微弱信号检测技术已经融入到日常生活当中。微弱信号检测采用消除干扰噪音或提高系统输出信号的信躁比的方法提取信号,在工业生产和农业生活等领域应用广泛。强噪声背景下微弱信号检测,一直是工程应用领域的难题。传统线性检测方法在检测强噪音背景下的微弱信号时会产生门限效应,可能会造成输出信噪比的急剧恶化和信号损失,其检测方法需要进一步改进。本文以强噪音下的微弱信号检测为背景,针对以往线性检测中的门限效应和信号损失等问题,利用BP神经网络和噪音的非线性关联研究并设计了微弱信号检测系统,改善了在强噪音环境中的检测效果,解决传统检测方法的信号失真的问题。首先,为了解决待测信号与BP神经网络输入不匹配的问题,本文利用相空间重构技术重构待测信号的时序相空间。随后,将重构的时序空间向量作为BP神经网络的输入样本,并且通过BP神经网络的学习算法训练样本。最后,以BP神经网络的算法控制检测的误差,完成基于BP神经网络的微弱信号检测系统的设计。在设计时本文使用VHDL语言,以FPGA技术设计BP神经网络的微弱信号检测系统,按照自顶向下的设计思路,将系统分为源信号向量空间重构模块、信号调制与解调模块和BP神经网络检测模块。最后利用周期信号和噪音的混合信号进行了系统验证,证明了设计的可行性与实用性。实验结果表明系统实现了强噪音环境下的微弱信号检测,与传统方案相比,可在一定程度上改善了检测门限,降低了信号损失率。本文设计的基于FPGA的BP神经网络微弱信号检测系统不仅对强噪音干扰下的信号有较好的检测效果,而且减小了信号的损失。具有检测精度高,检测性能稳定,运行速度快的优点。在检测性能要求很高的航空、军事、工业控制等领域,有着良好的应用前景。