静脉穿刺是一种最常见的医学治疗方式,医护人员通常将一根输液管通过针头插入手背或者前臂的静脉中,对人体的疾病进行检测和治疗。在这个过程中他们一般是通过观察法和触摸法寻找静脉,但是在新型冠状病毒感染的肺炎等传染性疾病的治疗过程中,医护人员由于穿着厚重的防护服、护目镜和防护手套,通常很难准确地进行静脉穿刺。除此之外,静脉本身的分布特征就与人体的健康具有重大的关联,根据静脉的分布可以判断患者的病情状况。由于静脉分布在皮肤下,一般的相机无法获取清晰的图像,现有的设备都依赖于激光成像技术或者近红外通道相机来进行静脉显像,但是这些设备因为体积大、造价昂贵所以无法普及。因此,对于移动端的静脉显像研究是一个极具有实际应用价值的课题。在这项工作中,我们设计了一个嵌入式系统,该系统使用深度学习算法从彩色皮肤图像中显示静脉。首先,构建了同帧的可见光（RGB）/近红外（NIR）图像数据库,对于数据库进行预处理以提供两种图像之间的映射信息;然后,搭建深度学习网络,将成对的静脉图像送入网络进行训练,以学习近红外空间到可见光空间的映射关系,提出了包括像素损失和梯度损失的组合损失函数,以优化网络参数;接着,为了满足在嵌入式设备中对于速度的要求,对于搭建的深度学习网络进行模型剪枝和压缩,实现了模型的轻量化;最后,为了使该算法适应不同相机拍摄的皮肤图像,采用直方图指定方案来转换图像的颜色样式,并开发了相应的人机交互界面。该算法在NVIDIA Jetson TX2开发套件上实现,进行了综合实验以评估所提出的算法和在嵌入式系统上运行的效果和时间。实验结果表明,该系统在显像效果和运算时间上都有着较好的表现,在日常医疗和诊断中将有广阔的前景。