依赖于具有足够样本数量和标记完全正确的数据集,深度神经网络在图像分类任务上表现出色。由于手工制作数据集费时费力并且代价昂贵而涌现出的制作数据集的廉价替代方法又会不可避免地引入标签噪声。标签噪声的存在会对神经网络的学习产生负面影响,使模型在分类时表现不佳。因此,如何使模型在标签噪声下进行有效学习并保持性能是值得研究的课题。针对以上问题,本文从算法研究和数据集清洗两个层面出发,改进神经网络在标签噪声下的学习效果,保持模型的分类性能。算法层面,根据神经网络在标签噪声下的记忆特点,采用逐渐增加轮数的训练方法以保证学习效果;同时,将贝叶斯方法引入神经网络进行概率建模,弥补深度神经网络对预测结果过分自信的缺点。数据集清洗层面,利用模型自身的学习成果以及贝叶斯神经网络提供的关于预测结果的置信度对原始训练集进行标签清洗,提高数据集的质量。通过模型训练和数据集清洗的迭代进行,同时提升模型的学习效果和数据质量。使用Python语言编写代码,对本文设计的基于贝叶斯神经网络的算法进行实验。实验结果表明,在均匀和非均匀的两种标签噪声类型的多种标签噪声比率下,模型在MNIST上的准确率都高于99%,呈现出高稳健性,在CIFAR-10上的准确率随着标签噪声比率增加而下降,但仍在标签噪声比率较高的情况下表现出很好的稳定性。本文给出了所设计的模型的卷积计算模块、激活函数模块、池化计算模块和全连接计算模块的逻辑设计,并编写Verilog HDL代码完成相应模块的仿真并验证功能的正确性。在PYNQ-Z2开发平台上进行验证,结果表明在均匀和非均匀的两种标签噪声类型的多种标签噪声比率下,模型在MNIST的子集上的分类准确率相较于软件层面有所降低,但在不同的标签噪声条件下可以维持在90%左右。