随着科学技术的发展与日渐成熟,目前的机器视觉可以完全代替我们与外部世界进行交互。视觉感知智能化,一方面可以极大提升数据采集的质量,降低后端数据处理的算法消耗,降低整体成本;另一方面基于分层信号处理架构的数据处理方式也提升了系统可靠性。鉴于图像识别技术目前的发展已相当成熟,应用在生活的方方面面,因此本论文以图像识别为目标任务,设计并搭建面向智能视觉感知芯片的敏捷测试光学实验平台,主要的研究内容如下:（1）实验平台的硬件电路设计。实验平台主要完成待分类图像的智能化显示、数据采集及分类、分类计算结果显示等。据此以LED驱动芯片SM16126N-2和驱动放大器74HC245为核心设计了图像的光学显示电路;使用常开型智能CMOS图像感知芯片将图像的光信号转化为电信号,并对图像信息进行数据处理;以FPGA芯片XC7Z020-1CLG484C为核心处理器的开发模块控制各功能电路的正常工作,最后通过VGA和串口连接至PC端显示采集到的原始图像和分类结果。（2）使用二值神经网络和卷积神经网络实现图像的识别分类。本论文对二值神经网络（BNN）、全精度卷积神经网络（CNN）两种算法的原理以及本论文中的应用实现进行介绍。以MNIST数据集中的10000张形态各异的手写数字“0-9”为识别目标并采集数据集,并搭建算法模型,训练模型。（3）搭建光学暗室。本论文设计了一个光学暗室,其中光学隔振台用来减弱环境震动的影响,遮光罩用来避免环境光的影响,精密滑台和手动升降滑台用于调整PCB板的位置,同时也设计了CMOS图像传感器电路板、LED显示屏的机构固定装置。基于此,实验系统可在一个完全不透光的操作空间里进行,有效防止实验环境的光干扰、环境震动等影响,保持光路稳定。基于以上研究内容,完成对智能视觉感知芯片的性能测试与评估,主要包括线性补偿、分类精度和功耗。经测试,当芯片的供电电压为0.8V,曝光时间为400us时,实验系统性能最佳,其分类精度可达到93.76%,芯片功耗为147.84n W,帧率为156fps。同时LED屏显示5011张样本图片耗时35min。如此表明本设计具有良好的图像识别与分类能力,同时整个实验平台的智能化验证程度和运行效率都很较高。