视觉假体是一种通过控制电极来构造图像的嵌入式系统,它通过人体内植入的电极构造点阵形成图像,并将构成的图像送往盲人视觉系统使其恢复部分视力。由于植入人体的电极数量有限,通常电极构成的图像辨识度很低,导致视觉假体的使用效果并不理想,依然存在很多困难。因此本文提出使用分类神经网络来辅助视觉假体工作,从而降低视觉假体的使用难度。为了降低分类神经网络在视觉假体嵌入式系统中的移植难度,本文的主要工作是对二值化神经网络算法进行改进和参数压缩。本文针对二值化算法BinaryNet的缺点提出了AlexNet-Binarized,InceptionNet-Binarized,IBNet三种改进算法,其中IBNet使用双重恒等映射方法来提高网络的准确度并使用两个超参数来控制恒等映射的程度,三种算法在基准测试集CIFAR-10上分别进行了性能测试,测试结果显示IBNet的综合性能最佳。最后本文在自制的室内环境数据集上对IBNet和BinaryNet算法进行了性能对比,对权值参数量进行了压缩,并测试了BinaryNet和IBNet处理32×32图像的速度。本文提出的AlexNet-Binarized在CIFAR-10上的准确率达到了 75%,InceptionNet-Binarized在CIFAR-10上的准确率达到了 83%,IBNet在CIFAR-10上的准确率达到了91%,而BinaryNet在CIFAR-10上的准确率只有88.9%。IBNet在室内环境分类数据集上的准确率达到了98%,而BinaryNet在室内环境数据集上的准确率只有88%,而且模型压缩后的IBNet的参数量只有80万左右,BinaryNet算法的参数量却超过了 1000万。最后IBNet处理图像的FPS达到了 45,而BinaryNet处理相同规格图像的FPS仅为18,结果表明IBNet相较BinaryNet具备更好的性能。本文的主要目的是为视觉假体嵌入式系统实现提供算法参考。