可燃气体与氧气在一定浓度范围内混合,遇上火源会发生燃烧的情况,若混合浓度达到爆炸极限,甚至会产生严重的爆炸危害。在空气钻井、矿井开采等作业过程中,可燃气体燃爆一直是最大的安全问题之一。因此,实时监测可燃气体,快速、准确地判断可燃气体泄漏、燃爆状态,提前预警危险情况的发生,具有重大的意义。本文提出了一种基于现场可编程门阵列(FPGA)动态可重构神经网络实现可燃气体燃爆状态分析的方法。在MATLAB上搭建了离线训练系统,将气体传感器阵列采集的数据作为输入,采用BP神经网络算法构建可燃气体燃爆的多种状态分类模型,并通过实验分析了神经网络拓扑结构对燃爆状态分类判断的影响。与软件实现神经网络相比,基于FPGA实现神经网络具备高度并行、快速处理、可配置等优点,但是硬件化神经网络存在通用性差、灵活性低的问题,移植完成后若需要改变网络模型只能重新修改设计。然而,在可燃气体燃爆状态分析系统的实际应用当中,往往需要根据现场环境切换或调整合适的网络模型,以达到更好的在线分类判断效果。因此,本文在FPGA上实现基于片上网络架构的动态可重构神经网络,其关键设计模块路由单元负责完成神经元之间的通信,神经元模块负责完成神经元的运算处理,以及完成数据包处理和状态编码等辅助模块的RTL设计。本文进一步优化其电路设计,通过采用可重用的设计方法一定程度上加快了开发速度,通过合理设置定点数格式提高了网络的计算精度。动态可重构神经网络能够直接通过串口重新配置神经网络的拓扑结构和相关权阈值参数,从而实现网络模型的修改。此外,完成了系统各外设接口模块的RTL设计与实现。本文在Modelsim上搭建了验证平台,对各模块的功能进行了仿真和验证;通过Modelsim和MATLAB的联合仿真对输出误差进行分析。最后,搭建实验环境,并在Xilinx Artix-7系列FPGA开发板上进行板级验证和整体测试。结果表明,该系统能够对可燃气体燃爆的多种状态进行在线的、快速的、正确率较高的分类判断,动态可重构神经网络使系统在实际应用中能够灵活配置网络模型,提高了分类正确性,提高了硬件设计的通用性和开发速度。