近年来,由于计算能力的提升以及深度学习的快速发展,计算机视觉中的目标检测成为了一个热门的发展方向。智能化的目标检测不仅在智能交通、自动驾驶等民用领域大放异彩,在军事领域的应用也具有重要意义。目标检测与识别的智能化是决定导弹武器系统作战效能的核心技术之一,也是长期制约导弹武器系统信息化发展的瓶颈问题。现在导弹型号主要采用基于模板匹配的目标检测与识别方法,其理论框架简单,运算速度快,能够满足一般的工业应用要求。但是模板匹配方法对于目标视场与视角变化、复杂背景以及干扰的适应性较差,难以达到对智能化导弹武器的实战要求。本文针对以上问题,设计了一个基于深度学习的目标匹配和定位系统。该系统采用了基于Siamese的目标匹配网络算法,虽然算法主要由CNN(卷积神经网络)构成,但是Siamese不直接输出类别,而是通过输出向量来计算两张图像的相似度,它不需要其他目标检测算法的大样本训练,非常适合移植到计算和存储资源受限的小型移动设备上。算法硬件加速系统的架构设计类似于TTA(传输触发体系结构),可以通过编制特定的指令程序对系统的各项参数进行配置从而控制系统的运算流程,使处理系统可以灵活实现各种结构不同的卷积神经网络加速运算。在系统的核心即并行运算电路设计中,256个运算单元以阵列结构进行并行运算,并采用分时复用的设计方式来适应更大规模的网络结构。在系统的存储空间设计上,本文采用了存储空间动态地址设计技术,所需存储空间只需占用传统固定地址存储空间的1/64。这样的设计方式,在提升运算速度与效率的同时,还使系统具有很强的通用性,同时还节省了大量的硬件资源,使得基于深度学习的目标匹配和定位系统算法移植到资源有限的单片FPGA上成为可能。硬件系统的具体电路采用Verilog HDL进行设计,计算和存储都采用8bit的定点数据,完全可以满足对数据运算的精确度要求。整个系统已经在XILINX公司的Virtex-7 XC7VX485T上进行了测试,测试的准确率达到87.2%,相比于GPU上88.1%的准确率只下降了不到1%。同时,系统处理一幅128×128的图像只需要4.624ms,数据占用的存储空间只有6.6Mb,总功耗0.528W,超过了系统处理的时间指标10ms和数据存储空间指标10Mb的要求。总的来说,本文设计的基于深度学习的目标匹配和定位系统具有运算速度快、识别率较高、占用资源较少、功耗较低等优点。系统的整体架构、电路并行化设计、存储空间地址设计等方面的设计思路可以为以后资源受限环境下的深度学习算法移植提供一定的参考。