随着科学技术和数学方法的进步以及各种优良算法框架的出现,使得计算机处理问题的能力越来越强、处理问题的种类越来越多,人工智能逐渐成为一个能够在日常生活解决实际问题的领域。在过去,人类也是通过不断的学习,才能够轻松识别物体,计算机也是需要通过大量的学习才能够识别一些容易分辨的物体。人工智能就是根据人类大脑的神经元网络,通过一系列的数学模型和规则,构建层层网络来进行图像、声音的分类和识别。所以,人工智能之所以能够快速的进行分类和识别,前提是需要大量的数据进行先前训练模型,配合算力强大的硬件设备和更加优良的算法框架,这三者缺一不可。本文主要研究一种基于FPGA为运算核心,构建卷积神经网络来对图像传感器捕捉到的图像进行快速的识别和分类。论文首先从图像的传输与显示方面进行入手,对图像传输与系统建立数学模型,使用Modelsim和Matlab软件对数学模型进行仿真测试,搭建图像传输与显示系统,验证图像传输与显示系统的实用性。然后构建深度卷积神经网络模型来训练相应的数据集,测试其模型的正确率,根据模型的正确率来调整模型的基础学习率,使模型有一个最佳的识别率,通过高级编程语言把测试好的模型参数提取出来,设计相应图像识别模块,然后搭建整体图像识别系统。通过Xilinx的官方软件窗口来观察内部模块占用硬件资源情况,并对占用资源多的模块进行数据分析,以此来对系统模块进行相应的加速操作,从而达到对系统整体结构的优化。本文设计的图像识别系统对Cifar-10数据集进行测试,训练十万次的模型,测试的理论正确率可以达到0.7639左右,实验结果显示图像识别系统只有几次识别错误,其余都识别正确,系统基本满足最初的设计需求。本文设计的图像识别系统,在光照条件不好的情况下,仍然有很好的识别率,所以系统在鲁棒性和自适应性上都有很好的优势。