人工神经网络（ANN）技术的快速发展使智能化社会的实现逐渐成为可能,然而,基于CMOS器件的ANN距离生物大脑还有不小差距。与CMOS器件相比,忆阻器在结构和功能上更接近于突触和神经元,利用忆阻器构建的忆阻神经网络具有更快的速度和更低的功耗,有助于实现更接近生物大脑的人工智能。但是,忆阻器的研究还存在如下问题:在材料层面,忆阻材料（如过渡金属氧化物）中存在着离子和电子的相互作用,目前对于这种离子-电子混合导体的研究并不充分;在器件层面,对材料的认识不足导致了精确调控忆阻器性能的困难,也阻碍了忆阻器对生物突触和神经元更深入的模拟;在系统层面,忆阻神经网络是一种全新的计算系统,涉及大量的模拟计算（Analog computing）,与现有的数字计算系统有本质上的区别,因此没有统一的硬件测试系统。本论文的研究工作主要围绕以上三点展开:首先通过材料（Sr Ti O3、WO3、Ta2O5）和迁移离子(OV··、H+和Ag+)的选择,实现了氧化物中离子迁移速率的调控;并在此基础上引入了热和电化学效应,实现了具有非易失、部分易失、快速易失特性的忆阻器;随后,基于不同的易失特性,分别实现了突触和神经元中的仿生特性;最后,在仿真和硬件层面实现了忆阻神经网络,并提出了一种用随机忆阻器优化网络的性能方法。本论文的主要研究内容和研究结果如下:（1）基于部分易失的Sr Ti O3基忆阻器实现高仿生忆阻突触。利用脉冲激光沉积（PLD）和磁控溅射制备了Pt/Sr Ti O3/Nb-Sr Ti O3忆阻器,该忆阻器的阻变特性受两个状态变量(离子缺陷OV··的分布和焦耳热效应)控制,在电场作用下表现出连续变化的电导态,撤去电场后具有电导态部分易失的弛豫现象;基于以上特性,实现了生物突触的高阶可塑性——权值相关的脉冲时序依赖可塑性（STDP）和基于三脉冲（Triplet）的STDP;高阶可塑性的实现能更好地利用时空特性,有利于复杂场景中的模式识别。（2）基于快速易失的WO3基忆阻器实现高仿生忆阻神经元。利用磁控溅射制备了W/WO3/PEDOT:PSS/Pt忆阻器,在电场作用下,质子从PEDOT:PSS中进入WO3生成高导电性的HxWO3;由于质子的扩散系数较大,该器件表现出快速易失的特性和电池效应。通过简单的外围电路设计,快速易失特性可用于实现生物神经元的漏电整合发放（LIF）功能;该特性与电池效应结合,可模拟生物神经元细胞膜上的Na+和K+通道,实现类生物脉冲的发放。这种高仿生神经元是实现忆阻神经网络的重要基础。（3）仿真实现忆阻神经网络,并利用忆阻器的随机特性优化网络性能。以非易失Pd/W/WO3/Pd忆阻器作为突触,仿真构建了一个三层ANN,并实现了MNIST手写体数字识别。但仿真的结果表明,训练数据的不足会引起网络的过拟合（Overfitting）现象,忆阻突触在权值更新时的非线性也会增大训练误差;为了改善以上问题,研究了Ag/Ta2O5:Ag/Pt忆阻器中的随机特性,并基于该现象设计了一种随机丢弃（Dropout）型神经元,Dropout神经元的加入有效抑制了上述两种现象对神经网络的影响,提升了网络的识别能力。（4）在硬件系统层面实现了忆阻神经网络,并提出一种仿生训练算法,最终完成了位置识别的演示功能。基于现场可编程逻辑门阵列（FPGA）和商用芯片,设计并制作了忆阻神经网络系统的外围电路,满足系统对忆阻突触和神经元的操作需求,包括脉冲发放、电流读取和神经元响应等;忆阻突触和神经元经邦定（Bonding）后实现了与外围电路的连接,通过程序设置即可完成相应计算任务。在软件层面,根据忆阻突触和忆阻神经元的特性,提出了一种基于简化STDP学习规则的仿生训练方法,经该方法训练的突触权值可直接映射至忆阻阵列,利用脉冲的时空特性识别物体位置。本论文对基于忆阻器的人工突触和神经元进行了系统的研究,并从仿真和物理实现的角度探讨了如何基于人工突触和神经元构建和优化忆阻神经网络,对开发速度快、功耗低的ANN具有重要意义。