人工神经网络的应用领域非常广泛,例如模式识别、图像处理、股票分析、机器人控制等。它的实现通常可分为软件和硬件两种方法,软件实现方法的主要特点是由微处理器或者软件程序完成大部分的逻辑处理和运算,而硬件实现方法是由特定的运算单元完成系统主要的计算工作。软件实现方法的优点是相对简单、灵活、容易升级,但速度慢、效率低是它的缺点；硬件实现方法能为目标任务特别定制、效率高、速度快,但是硬件实现的成本投入大,灵活性比较差,不易于升级。可重构技术的出现,改变了这种局面。可编程逻辑器件是最常用的可重构器件,它可以通过内部结构的重新配置来改变其逻辑功能,使硬件系统具有可以更新或修改的软件特征。本文以四种通用前馈神经网络为研究对象,通过对其原理结构的深入分析,在可重构的硬件平台上,设计了它们的代码库。同时,提出一种实现通用前馈神经网络的体系结构。在实际应用中,对于不同规模和类型的前馈神经网络,可以在本文提出的体系结构下调用代码库中相应的可重用模块,便可灵活地实现需要的前馈神经网络。最后结合两个实例,验证了代码库设计的可行性和正确性。本课题的研究为神经网络的硬件实现提供了较好的理论和技术支持。