医学影像中的图像分割长期以来是放射学图像处理中的一个难题。传统视觉算法中的大部分图像分割方法由于算法复杂度较大,难以实现高分辨率图像的分割;为了得到高精度的结果和计算效率,研究人员们尝试使用机器视觉算法,其中细胞神经网络被较广泛地应用。细胞神经网络在模拟电路和混合信号电路实现中广泛应用于高速图像处理、视频分析和医学信号处理中,但其效率和通用性受到了小尺寸和低精度的限制。由于网络中的大量乘加运算,基于通用CPU的实现依然难以达到计算性能要求。近年来基于FPGA的细胞神经网络数字实现以其高灵活性和开发周期短的特点吸引了来自学术界和工业界共同的关注,然而大多数现有的数字实现都没有充分利用FPGA平台的加速优势,其设计中仍然有不必要的计算冗余和并行度较低的特点,没有充分利用硬件加速的特性。本文提出了一种基于优化细胞神经网络的图像分割方法,该方法在基本网络模型的基础上引入了非线性模板和数据量化,大大降低了计算复杂度,同时保持了图像分割的精度。然后我们将该方法应用在计算机辅助系统中对乳腺X线影像中的肿瘤病灶进行分类。最后,我们提出了一种基于FPGA的高能效细胞神经网络多层次优化架构,优化方案包括系统级、模块级和设计空间三个层次。该方案通过增加系统并行度来提升计算性能,使用数据重用技术充分利用载入带宽,同时使用数据量化降低计算冗余,引入流水和双缓存结构对内存访问优化,并通过Roofline模型分析有限资源下的系统最佳性能。实验结果表明,本文中的FPGA加速器可以在单位性能方面与现有的其他研究工作相比提高34%,本文提出的非线性量化细胞神经网络可以最多降低74%的LUT资源消耗和48.2%的能耗,与原始网络相比在乳腺X线影像的两个投照位置分割结果中分别只有1.5%和0.6%的精度损失。