视觉残疾是影响人类生活最为严重的疾病之一,研究人工视觉假体能够给盲人带来重获视觉的希望。图像处理是人工视觉假体系统中的核心组成部分,本文研究基于深度学习的图像分割神经网络设计和基于FPGA的硬件加速设计在人工视觉假体上的应用。本文基于室内场景,选取室内常见的床、沙发等八类目标制作了256*256大小的RGB图像数据集。在图像分割网络的设计上,针对全卷积神经网络硬件代价大、运行时间长等问题,对其做出改进应用在人工视觉假体。将第一层卷积层的填充单元由100改成1,第一层全卷积层卷积核大小改成3*3,全卷积层的通道数均改为1024,对裁剪层顺序做了调整,还将最后一层反卷积层的卷积核和步长减半得到不同输出大小分割图像的网络。在K80 GPU服务器上训练测试改进的分割网络和原始的分割网络,统计对比各个网络的性能,结果表明改进的分割网络比原始的分割网络明显具有较快的分割速度和较小的硬件代价,其中显存占用量减小3倍多、模型大小减小了6倍多、在运行时间上也有3倍多的提升,而对于在分割准确率上一个百分点左右的下降是视觉假体应用能够接受的。本文完成了改进全卷积神经网络算法的硬件加速IP的设计与验证。详细阐述了IP的架构设计和各个模块的设计方案,使用Verilog语言完成IP的RTL设计,并将其采用axi4总线协议进行封装,还设计了一个简单的控制指令系统,用于IP的软硬件接口控制。此外,由于本文研究的视觉假体是基于32*32的微电极阵列,所以还设计了将改进分割网络分割得到的图像处理成32*32大小的功能。本文对设计的IP在完成基于Modelsim功能仿真与基于Matlab计算模型的协同验证之后,使用VC709 FPGA开发套件进行硬件实现验证。验证结果表明设计时钟可达到135MHz,估算出FPGA的处理速度是服务器上至强E5-2620V4 CPU处理速度的1.5倍,并且FPGA的功耗只有服务器CPU的4.8%。图像分割有着广泛的应用场景,本文的设计对于处理其它图像分割任务(如医学影像分割等)有着参考意义,设计的不足之处是实时性还有待提高。