针对农业生产中病虫害识别实时性要求高、传统深度学习模型在嵌入式设备部署困难的问题，本文提出一种基于FPGA的改进AlexNet图像识别系统。通过引入批量归一化、精简全连接层结构，优化模型以适应嵌入式环境；设计专用卷积加速器，结合循环分块与并行处理技术，在Zynq-7010平台上实现硬件加速。实验采用自建苹果病虫害数据集，通过数据增强与模型训练，系统在FPGA部署后准确率与软件版本基本一致（训练集89.91%，验证集81.29%），同时推理时间从3211ms缩短至2537ms，显著提升识别效率。本研究为轻量化CNN在农业边缘计算中的应用提供了可行的技术路径。