近年来,图像分类在卫星图像检测、医学图像处理、地貌图像识别、人脸识别、环境监测等方面的应用场景十分广阔。同时,图像分类算法在硬件终端中应用与部署的需求与日俱增,如何将这些算法移植到硬件终端并进行性能上的优化成为图像分类研究的热点与难点。为此,本文提出了一种基于FPGA的图像分类算法,并在Xilinx的Zynq-7000系列平台上对该算法进行移植和加速,以验证该算法的有效性。本文的主要内容包括:首先,本文根据算法移植的可实现性确定了图像分类系统的设计平台,提出了整体系统的算法流程,并依据So PC系统的设计规则确定了软硬件架构以及系统各组成部分的设计方案。其次,本文研究了基于手工特征的图像分类方法的算法原理与设计思路。在手工特征方面,本文选取SIFT特征作为手工特征,讨论了词袋模型和VLAD两种SIFT特征库的构建方案。同时,结合硬件平台的特点,提出了算法在FPGA上移植的设计方案,并给出算法在特征点检测、梯度计算、特征点描述等方面的优化方案。然后,本文研究了基于深度特征的图像分类方法的算法原理与设计思路。在深度特征方面,本文选取CNN特征作为深度特征。为获取深度卷积特征和手工特征各自的优点,提高图像的特征表达能力以得到更佳的图像分类效果,本文将两种特征通过加权串联的方式进行了融合。同时,结合硬件平台的特点,提出了将算法移植到FPGA上的设计思路,并给出算法在卷积的并行方式展开与部分和累加计算等方面的优化方案。最后,本文将基于硬件改进后的算法部署到FPGA上,详细给出了各模块的设计方法与实现方案。数字设计的实现采用了空间并行和流水线设计的方法,在充分利用FPGA的并行性的同时提高了算法的运行效率。实验结果表明,FPGA的硬件加速效果显著,本文设计的图像分类系统具有实时性,同时达到了较高的准确率。