无透镜显微系统因其成像视野大、便携性好,在细胞检测领域受到研究者的广泛关注。但系统结构决定了采集的图像分辨率较低,难以直接获取细胞细节信息。因此研究基于无透镜显微系统的细胞图像超分辨率算法及其硬件加速具有重要意义。在分析无透镜显微系统所采集细胞图像特点的基础上,结合卷积神经网络算法的优异性,本文针对图像特征少、结构单一的细胞图像数据集,搭建并优化了一个基于递归卷积的超分辨率网络。首先,网络训练集使用光学显微镜采集的高清红细胞图像作为标签,对其下采样及尺寸放大后作为低分辨率训练图像,网络测试集为无透镜显微系统采集的低分辨率红细胞图像;网络训练以Tensorflow为主要平台,通过对卷积核大小、激活函数及网络层数等参数进行大量调试得到初步网络模型,进一步根据测试集重建效果对各项参数进行微调后完成最终网络模型的确定。为满足移动平台的实时计算,对所设计的卷积神经网络算法需要进行FPGA平台的硬件加速。第一步,在重建图像质量损失尽可能小的前提下进行量化训练,将网络参数从float32型转为int8型,模型参数所需存储量减少为量化前的50%左右。第二步,在VCS环境下进行超分辨率算法的硬件功能仿真。最后在Vivado软件搭建以可配置卷积神经网络加速IP为核心的硬件系统,完成算法网络的相关配置后进行下板调试、计算结果提取及对比验证。同时与其他三种经典超分辨率方法对细胞图像超分辨率3倍,主观评价表明,本文算法重建的细胞图像边缘及细节纹理增强更为明显,客观图像质量评价方面至少提升10%。最终将FPGA平台的硬件加速结果经UART串口打印,与算法处理结果的对比数据表明,细胞图像单帧超分辨率算法可成功在FPGA平台实现硬件加速。