目前人们对复杂数据处理的应用需求使得神经网络的重要性日益凸显。神经网络以其自适应性、容错性和并行处理等特点在智能控制、模式识别等方面的应用日趋广泛。在一些实时控制等应用场合中,基于微处理器的神经网络软件实现技术并不能从本质上体现神经网络的并行性,而可编程门阵列(FPGA)以其丰富的片上资源和高速并行数据处理等特点在神经网络的实现方面得到广泛应用。本文主要针对不同数字设计方法在神经网络的FPGA实现中的应用展开研究工作。首先对神经网络的参数学习和结构优化方法进行简要介绍,然后对如何高效实现神经网络非线性激活函数进行详细讨论,对比了非线性激活函数的几种FPGA实现方法的特点,对其中的对称表查找相加方法(STAM)的原理、实现误差和资源占用情况进行了详细分析,并对该方法的FPGA实现进行仿真验证。通过对神经网络整个训练阶段的计算分析,按照时分复用的原则对基本神经元结构进行改进,并将神经网络划分成不同状态,在此基础上设计了基于有限状态机的在线学习神经网络结构。针对常系数乘法问题,分别介绍了分布式运算和子表达式冗余的方法,并将这两种方法应用于离线神经网络设计以降低其计算强度,最后对于这两种神经网络结构的FPGA实现进行仿真分析。