图像分类是医疗影像诊断和辅助治疗等现代医疗中一个基本而富有挑战的任务。近年来深度卷积神经网络在许多图像分类和目标识别应用中的表现已经达到了人类水平,但是要把规模巨大的深度卷积神经网络用于便携式医疗影像设备面临着体积、功耗和计算资源的挑战。面对计算能力有限的平台和应用场景,对传统算法的时效性进行优化,对卷积运算进行硬件加速成为本文的主要研究内容。图像分类的效果高度依赖图像特征的表达。深度卷积神经网络具有极强的特征抽象能力,能够自主学习到高效的图像特征,这种效果会随着网络层数的增加而得到增强。为了减少因网络层数增加带来的运算量,在保持卷积神经网络具有一定深度的同时,尽量减小因深度变浅带来的性能损失,本文实现了一种多CNN并行的算法架构——多域卷积神经网络。多域卷积神经网络同时处理来自相同原始图像经不同预处理得到的多域图像,这些图像域是梯度图像、局部归一化图像和变尺度图像,它们之间包含着相互补充的特征信息,而且这些特征信息相比原图像得到了加强,从而保证了算法的性能。同时,多域卷积神经网络有效的减小了传统算法的循环迭代规模,从而达到了提升速度的目的。在实现算法优化的基础上,本文进一步研究了卷积神经网络中对计算资源需求最大的卷积运算的硬件加速。通过在MNIST和CIFAR-10数据集上进行的与传统CNN的对比实验,分别验证了本文所提算法的有效性和快速性。在基于Zynq的嵌入式平台上实现了对CIFAR-10数据集的实时图像分类处理,并达到了较高的准确率。