在传统舌诊的过程中,诊断结果容易受到医师经验的影响,并且还存在着交叉感染的风险。为此,本文设计了一种基于FPGA的智能舌诊系统,该系统将传统舌诊与现代图像处理技术相结合,通过摄像头采集舌体图像,并由FPGA上实现的算法处理模块对舌体的颜色特征以及性状特征进行识别,并将诊断结果显示在显示屏上。凭借着FPGA高度并行化运算的优势,大大提高了系统的运行速度,并且该系统能耗更低、体积更小,更加便于系统的部署。首先针对传统中医舌诊理论中的舌体颜色以及舌体性状特征,分析与实现了对应的识别算法。对于舌体性状特征的识别,通过对比分析三种神经网络训练后的实现效果,选用了Alex Net网络模型作为该特征的识别算法,同时使用迁移学习的方式,来避免因数据集数量过少而造成的过拟合现象,该算法识别的准确率达到了97.4%。对于舌体的颜色特征识别是通过K均值聚类算法来实现的,并且优化了聚类过程中的聚类中心初始化过程,从而提高特征的识别速度。在实现舌体特征的识别后,对系统的总体结构进行了设计。然后利用HLS开发工具,在FPGA上实现了卷积神经网络以及K均值聚类算法的加速IP核,并通过AXI-stream实现FPGA（PL端）与So C（PS端）之间的的数据传输。其中卷积神经网络加速模块是针对卷积神经网络中的卷积层、池化层、激活层以及全连接层进行加速处理的。并且由于Ultra-96开发板中FPGA芯片资源较为匮乏,因此采用数据分割的方式,将每层特征图和卷积核分批送入至FPGA中进行运算,以避免资源不足的情况。同时,通过数组优化以及循环优化来提高算法运算的并行度,并通过数据优化来提高数据的吞吐量,从而大大提高了系统的运行速度。最后对系统进行了测试,首先对舌体特征识别的准确率进行了测试,测试结果表明算法在FPGA上的运行结果与在PC上的运行结果之间的数据差异不超过1%,并且该差异不会导致识别结果出现偏差,基本可以忽略不计。之后对系统的性能进行了测试,测试结果表明Alex Net的运行时间为0.85s,K均值聚类算法的运行时间为0.07s,系统的整体运行时间为1.57s。系统的整体测试结果表明,本文所设计的系统能够准确识别出舌体的颜色以及性状特征,并能及时给出诊断结果。