支持向量机（Support Vector Machine，SVM）是一种基于结构风险最小化准则的学习方法，在解决小样本、非线性及高维模式识别中表现出许多特有的优势，被广泛作为一种分类和回归工具应用到函数拟合等机器学习问题中。目前，在理论研究和算法的优化方面，国内外学者对支持向量机做了大量的研究工作。与之相比，在求解方法和实际工程应用方面的研究相对较少，并且很多支持向量机的求解方法都是基于软件实现的，使SVM在嵌入式实际工程应用中受到了很大的限制。　　近年来，出现了基于递归神经网络的LS-SVM的FPGA串行计算方法，此方法克服了模拟电路环境下的很多硬件依赖性，提高了SVM的实用性，与已有的并行实现方法相比，具有灵活的串行计算、并行传输的特点，在保证计算效率的前提下，可以大幅较少FPGA内部硬件资源的使用。但是，该方法软件实现是基于Simulink的仿真，具有模块化思想，功能模块的函数化思想较弱，在样本集合数目增大的情况下，不利于软件仿真，这也导致了其仅能硬件实现简单数据的分类和回归应用问题分析。所以对于SVM在图像处理领域，复杂的、巨大的样本数据训练问题，这种设计实现方法受到了较大限制。　　针对上述的问题，本文研究了基于 FPGA的SVM图像处理方法研究。在现有的LS-SVM的硬件实现基础上，给出了基于FPGA和SVM的图像处理的硬件实现架构，其各功能模块具有较强的函数化思想。本文通过MATLAB语言编程仿真实现了基于递归神经网络求解LS-SVM串行计算电路结构，并将其应用于图像分割和图像去噪中，取得了较好的实验效果；最终在FPGA上用Verilog HDL硬件描述语言实现了LS-SVM的求解电路，完成了基于FPGA和SVM的图像处理方法研究的硬件化实现。实验结果表明，本文所提出的基于SVM和FPGA的图像处理的硬件架构在图像处理中的实用性和有效性，并且与软件仿真相比，其FPGA硬件处理的速度更快，有利于SVM在实际工程应用中实时处理数据。