现代工程应用正朝着大规模、复杂化的方向发展，同时环境的变化使得实际控制系统往往存在复杂性、非线性、时变性、不确定性等问题，控制系统设计时需要把外界环境、被控对象以及控制系统作为一个整体来进行分析和设计。面对这些控制问题，基于传统控制理论与方法往往难以获得合适的控制器以满足系统性能指标要求，而神经网络具有良好的容错特性、非线性映射能力及自学习能力，为这类复杂控制问题提供了可能的解决方法。神经网络固有的并行特性使其不适合在微处理器上实现，而可编程逻辑门阵列（FPGA）所具有的并行特性、丰富的嵌入式硬核乘加单元及存储器资源，使其在神经网络硬件实现中得到了广泛的应用。本文以FPGA为硬件平台，研究神经网络的硬件实现方法。神经网络非线性激励函数及其导数是硬件实现的难点之一，常用的方法有查表法、分段线性近似、高阶多项式近似及CORDIC算法等，这些方法无法同时兼顾面积（逻辑资源）、实时性和精度。本文提出采用表驱动线性插值方法实现激励函数及其导数，该方法结合了查找表和线性近似方法，能够以较少的硬件资源实现高精度的激励函数及其导数近似。本文采用System Generator与ISE联合设计，用System Generator进行系统建模，生成模型化的数字系统，将设计转换成硬件电路，最后在ISE中完成仿真、综合、实现及芯片配置。以Xilinx Spartan-3E1600FPGA为硬件平台，设计了激励函数模块、单神经元模块及固定结构神经网络；并搭建基于神经网络的再励学习系统，包括脉冲编码器四倍频、数模转换及模数转换模块设计。