支持向量机(Support Vector Machines. SVMs)作为一种通用的机器学习算法,能够较好的解决小样本学习问题。目前对支持向量机的研究主要是集中在理论研究和算法优化方面。与之相比,在实现方法及应用方面的研究相对较少,而且很多实现方法都是基于软件实现的,使SVM的应用受到了限制。近年来,出现了利用神经网络解决支持向量机学习的方法,该方法将神经网络与支持向量机相结合,利用部分对偶的方法,将求解SVM的二次规划问题转化成对动态神经网络的动态方程组求解的问题。由于神经网络具有便于硬件实现的特点,因此就使SVM的硬件实现成为可能。但是现有的SVM的硬件实现方法都是基于模拟器件的简单应用。模拟电路具有拓扑结构一旦确定就很难改变、功耗大和占用空间大的缺点,所以这种方法在实际应用中也受到了较大的限制。针对上面的问题,论文提出了SVM学习神经网络的FPGA实现方法。FPGA本身具有可重构、能耗小和占用空间小的特点,因此该方法具有很好的灵活性。该方法主要是将SVM学习神经网络的连续动态方程组进行离散化处理,然后对离散后的动态方程组进行FPGA实现。在此基础上论文进一步提出了最小二乘支持向量机(LS-SVM)分类与回归学习神经网络结构,LS-SVM消除了网络中的非线性部分,使得神经网络结构更加简洁、实现更简单。同时论文也提出了LS-SVM分类与回归学习神经网络的FPGA实现方法。论文分别对SVM学习神经网络的分类问题、LS-SVM学习神经网络的分类和回归问题完成了Simulink仿真和FPGA两种实现方法的实验。实验结果表明,LS-SVM与标准SVM相比较,训练时间更短、收敛速度更快；对于这两种网络的FPGA实现方法是可行的,并且与软件仿真相比较速度更快。