随着互联网技术的发展和视频图像数据量的增长，视频图像信息的传输、存储和检索对大数据时代的推进有着越来越重要的作用。如何在大量的视频图像中进行快速准确的检索引起了学者们的广泛关注。为了解决传统图像检索系统中存在的检索速度慢和检索准确率低的问题，本课题在嵌入式FPGA平台上运用神经网络算法搭建图像检索系统，以提高检索速度及准确率。　　针对目前图像检索领域对图像检索的速度和准确率有着越来越高的要求。本课题通过在嵌入式FPGA平台上搭建图像检索系统来提高检索的速率，并采用改进型脉冲发放皮层模型的神经网络算法来提高检索的准确率。由于视频图像本身包含的特征数据量较大，不利于进行计算和缓存等操作，因此本课题基于神经网络算法进行图像签名，将视频图像内容的数据量降低；并将数字图像签名进行特征提取，进一步降低了图像数据量；之后进行图像相似性度量以及检索识别。为提高图像检索的准确率，本课题提出了基于改进后的遗传算法，对图像检索的数字图像签名算法进行参数自优化，搭建自适应脉冲发放皮层模型的方案。在图像检索系统的FPGA移植实现过程中，针对存在的FPGA片上的存储资源耗损大，需处理的图像数据量依然较多以及图像处理速度过低的问题，本课题改进了脉冲发放皮层模型算法、特征提取算法及图像相似性度量算法，并提出了样本特征向量的存储方式和串并行方式的转换的优化方案。　　本课题完成了基于FPGA的实时图像纹理检索系统的搭建。通过实验结果评估了图像检索系统的检索速度、检索准确率以及FPGA片上资源的使用情况，与现有的图像检索系统相比，它有着更优越的性能。通过实验分别对比验证了本课题的图像签名算法和特征提取算法的优越性，展现了自适应脉冲发放皮层模型的参数自优化效果。