人工神经网络作为人工智能的关键技术,已经成为世界各国争相发展的战略技术之一,也是新一轮科技革命和产业变革的重要驱动力量。FPGA具有的可重构、低功耗、高性能等优势,非常适合于实现神经网络,但神经网络控制算法复杂且计算量大,因此设计集成度高、实时性好的用FPGA实现的高性能神经网络系统具有重要理论价值和实际应用价值。本文以神经网络为具体对象,以设计开发用FPGA实现的神经网络系统为目标,围绕神经网络的实现结构、神经网络实现的关键模块、手写数字识别系统的FPGA硬件实现,进行了深入的研究,主要工作和结论如下:（1）基于CORDIC算法进行了Sigmoid激活函数的FPGA实现设计与实现研究。CORDIC算法实现复杂的非线性函数,仅有一系列加法和移位操作,操作简单、通用性强。实验证明了该设计的正确性。（2）提出了一种基于初次拟合误差的变区段非线性双拟合新方法,运用Python进行Softmax的拟合逼近实验,并在FPGA上实现。该拟合方法,先通过均匀分段和随机分段非线性拟合找出误差较大的区间,再根据误差大/小的区间选择分段小/大的区间进行第二次非线性拟合。实验结果分析表明,该方法不仅解决了使用分段非线性拟合逼近法拟合Softmax时会出现一些区间误差较大的问题,并且速度与精度有了较大的提升。（3）提出了一种适合用于FPGA硬件实现的、改进的MNIST手写数字识别卷积神经网络算法,运用Python进行神经网络参数的训练,通过高层级综合（HLS）语言编程设计并用FPGA实现了一个手写数字识别系统。该改进卷积神经网络算法,去掉了神经元激活函数的偏置参数。在HLS的FPGA逻辑设计中,将硬件设计优化的并行、流水线、折叠等设计思想融入卷积神经网络的HLS编程的各种设计优化。实验结果表明,改进的手写数字识别算法的识别正确率为98.21%,硬件单帧处理时间为0.031s,功率消耗为1.96W,具有良好的性能。同时对手写数字识别系统进行移植扩展应用,实现了基于FPGA的服装识别系统,经测试该系统具有88.87%的服装识别准确率,说明该系统具有较好的移植扩展性。