光学字符识别（Optical Character Recognition,OCR）系统被广泛应用于各个领域,已成为提高工作效率、促进智能化社会建设的重要助力。在研究者的努力下,字符识别算法得到快速发展,其识别的准确率越来越高,实用性也越来越强,但却需要更大的计算量和更长的计算时间。近年来,现场可编程门阵列（Field Programmable Gate Array,FPGA）技术迅速发展,集成的资源不断增加,使设计人员在使用FPGA进行图像处理时可充分发挥其并行计算的优势,进一步提高图像处理系统的实时性,且相比于专业集成电路（Application Specific Integrated Circuit,ASIC）,FPGA开发周期更短、成本更低,是设计字符识别系统的上佳选择。本文基于FPGA,使用Verilog-2001设计了两个字符识别系统并对其功耗和识别时间等性能进行分析:第一个是基于区域像素统计特征的车牌中数字和字母的识别系统,该系统针对印刷体字符,识别算法简单;第二个是基于神经网络的手写字符识别系统,该系统针对手写数字、字母和部分汉字字符,使用神经网络算法对字符进行识别。论文对图像处理算法在FPGA上的实现进行了积极探索,主要研究内容包括:1.通过Matlab分析车牌数字和大写字母图像行列像素值的分布,提出了基于区域像素点统计特征的识别算法,并将该算法在FPGA实现,结合图像采集和图像预处理,实现了简单背景下车牌数字和字母的识别,准确率超过95%。2.通过Matlab搭建卷积神经网络（Convolutional Neural Networks,CNN）模型,考虑到FPGA难以进行浮点数运算和复杂函数求解的特点,利用修正后的Relu函数替代CNN中的Sigmoid函数,将CNN中的权重和计算结果优化为整数的同时去掉偏差。最后基于该算法在FPGA设计了手写英文字符和部分汉字的识别模块。手写英文字符模块功耗261.31 m W,识别一次耗时48?s;手写汉字识别模块功耗273.40 m W,识别一次耗时1.2 ms。3.使用Sign函数替换CNN中的Relu函数,并将CNN中的权重参数和池化层计算结果利用Sign函数进行二值化,得到一个二值化神经网络（Binary Neural Network,BNN）,使用Mixed National Institute of Standards and Technology（MNIST）数据集在Matlab中对该网络进行训练获取参数后,在FPGA上对该网络进行实现并用于手写数字识别系统。该模块功耗136.18 m W,识别一次耗时38?s。4.在两个手写字符识别系统中,创新性地使用了区域中值替换将采集到的未知尺寸的目标图像重置为28×28或60×60像素作为神经网络识别模块的输入。