深度学习为机器解决复杂问题提供了一种高效的方法,并被广泛应用于模式识别、自动控制、信号处理等领域。尽管深度学习中包含的卷积神经网络有着强大的性能,但是随着网络深度的不断扩展,出现了网络层次复杂、数据量庞大、数据存储密集等问题,对运行设备提出了较为严苛的要求,制约了卷积神经网络在嵌入式系统中的应用。FPGA的可编程性缩短了设计时间,也便于后期的维护,其并行性使得电路运行速度更快、带宽更高,能够满足卷积神经网络对数据并行处理的要求。随着产业发展,FPGA的板上资源更加丰富,使其成为搭建和运行卷积神经网络的良好平台。本文对卷积神经网络进行研究,在Cyclone IV系列开发板上搭建了基于卷积神经网络的图像识别系统,实现了26个大写字母的实时识别功能。本文主要的研究内容如下:（1）建立手写字母数据集。搜集并筛选出符合国人书写习惯的213962张手写字母图片。为便于卷积神经网络的调用,将图像数据转化为与MNIST数据集一致的格式,其中,训练集含有148224张图片,测试集含有65738张图片。（2）提出具有10个层次的轻权重卷积神经网络。该网络模型可减少大量权重参数,与Le Net-5模型相比,本文的网络模型参数减少约90%,模型的测试正确率为94.41%。实验结果表明,本设计相比于其他近期文献具有明显优势。（3）对数据进行定点化处理。由于FPGA执行浮点运算需要消耗大量片上资源,为减少硬件开销并提高系统运行速度,将浮点数转化为定点整数。通过对比定点化前后的识别结果,确定最小的定点化位数为12位（不含符号位）。（4）在FPGA上实现的识别系统在237626个时钟周期内可完成对单帧图像的识别。在50MHz工作频率下,识别速率为4.75ms/帧。整个系统消耗的逻辑资源数目为7273（33%）,消耗的存储资源数目为454326（75%）。