视觉是人类获得外界各种重要信息的主要渠道。因此,视觉系统对人体生理系统来说非常重要,一旦受到损害将造成不可逆转的后果。随着科技的进步,视觉假体有望为盲人恢复一定程度的功能性视觉。而图像处理模块就是人工视觉假体系统中最重要的组成部分。因此对图像处理以及分类方面的研究具有重要意义。本文主要研究室内物体图像的分类算法和基于Zynq的硬件加速平台在人工视觉假体中的应用。在数据集方面,由于盲人的活动区域一般在室内,因此本文基于室内场景选取床,柜子,沙发等八类物体制作数据集。在算法方面,由于传统算法通常只采用某一种主要算法结构进行改进。本文则采用了一种将支持 向量机和卷积神经网络相结合的分类学习方法(CNN_nSVM)。多层卷积神经网络对于图像的特征提取效果较好,因此先用网络对图像的特征进行提取,最后一层采用SVM分类器替换CNN网络的分类输出层。在此基础之上,本文对支持向量机的分类核函数也进行了改进,将传统单一的核函数改进为组合核函数,使算法具有较低的损失值和较好的泛化能力。最后,在自建的室内物体数据集和官方数据集上对本文算法和相关文献算法进行测试。实验结果表明,在数据集MCIndoor20000上,本文算法分类精度比传统算法LBP+SVM、HOG+SVM分别高15.2%、9%,比相关文献算法 CNN+COSFIRE、Bachiri et al method 高 4.2%、6.1%。在自建数据集上,本文算法分类精度比传统算法LBP+SVM、HOG+SVM分别高20.1%、9.7%,比相关文献算法 CNN+COSFIRE、Bachiri et al method 高 3.2%、5.4%。本文完成了基于Zynq的室内物体分类算法硬件平台设计。详细介绍了各个模块的硬件设计方案,并且采用Verilog语言完成各个模块的设计,将改进后的SVM算法采用HLS封装成IP核以实现算法的硬件设计。同时利用Vivado Simulation仿真工具对设计的模块进行功能仿真,最后利用所搭建的Zynq硬件平台对算法模型进行验证。通过使用Xilinx集成的在线逻辑分析仪抓取关键点的数据进行验证,实验结果与仿真结果一致。最终实验结果表明,系统最高时钟为150MHz,硬件加速效果明显,在功耗方面比相关文献中低3.2-19.14W。