支持向量机是一种基于结构风险最小化原则的机器学习理论。支持向量机综合了统计学习、机器学习和神经网络等方面的理论,并被证明在最小化结构风险的同时,可有效地提高算法的推广能力。目前对支持向量机的研究主要集中在理论研究和算法的优化方面。与之相比,其应用研究和算法实现的研究则相对较少,目前只有较为有限的实验研究报道。同时这些算法大多只能用计算机软件来实现,而不适合模拟硬件的实现,这显然大大的限制了SVM在实际中的应用。最近已经有许多国内外学者提出了不同的神经网络结构来实现支持向量机问题,其中比较具有典型性的是对单层回归神经网络及其改进结构的研究。这种单层网络结构相对于已有的两层神经网络具有更低的复杂度,并且可以指数收敛到稳定解。随着FPGA技术的发展,可以利用FPGA的并行性和快速重构技术来适应神经网络的权值和拓扑结构,基于FPGA的可重构计算体系结构也很适于实现人工神经网络。因此FPGA逐渐成为实现人工神经网络的一种有效方式。在此基础上使用FPGA来实现神经网络支持向量机,具有较强的灵活性,并且很好的保留了神经网络的并行性,既保证了处理速度,又适合大规模复杂的网络结构。本论文提出了一种新的动态神经网络最小二乘支持向量机的FPGA串行计算实现结构,相比已有的并行实现结构,在综合了动态神经网络并行性的特点和最小二乘支持向量机简化的约束条件的优点的基础上,其结构在保证计算速度的同时,明显提高了支持向量机的硬件资源利用效率,能够适应于大规模训练样本的情况。实验结果表明,由于该结构的串行计算,并行传输的特性,使得FPGA在使用面积减少的同时,速度不会有明显下降,因此使该串行计算结构更具灵活性并减小了对硬件资源的使用。