近年来,随着大数据、云计算、人工智能等信息技术的快速发展,全球数据量呈井喷式增长,信息处理逐渐从以计算为中心向以数据为中心过渡,然而现有的计算架构正遭受着“冯·诺依曼瓶颈”的挑战,难以满足大数据时代对信息处理的性能要求。想要从根本上解决“冯·诺依曼瓶颈”问题,就需要挣脱冯·诺依曼架构中存算分离体系的束缚,实现存算一体。在具有大规模并行、自适应、自学习能力且能耗极低的人脑中,信息的存储与运算并没有明确的界限。以人脑为灵感,构建存算一体的高效神经形态计算系统引起越来越多的关注。因此,人们开始研究新型的纳米器件,希望实现对人脑中突触及神经元的模拟。忆阻器,又称阻变存储器(RRAM),作为两端器件,其阻值在电激励下连续可调,又具有高速、低功耗的特性,被认为是理想的突触模拟器件。此外,由忆阻交叉阵列实现的人工神经网络将有望在硬件上实现高效的神经形态计算系统。然而,忆阻神经网络的研究在器件层面和集成层面都面临着严峻挑战,本文主要从器件线性度问题和阵列的漏电流问题展开讨论,从而为面向人工神经网络应用的忆阻器件的优化及阵列集成的实现提供思路。主要的研究工作如下:(1)在神经网络识别应用中,器件的I-V线性度和电导变化线性度都会对识别精度造成极大影响,对电导变化线性度的改善已被广泛研究。在这项工作中,本文研究了不同电极的TaOx基忆阻器的I-V线性度和电导变化线性度。为进一步探究线性度差异的根本原因,本文通过电导-温度依赖特性的测试对其阻变机制进行分析,结果表明成分调控机制相较间隙调控机制具有更好的I-V线性度和电导变化线性度。最后,本文根据线性度数据进行了 MNIST手写数字数据集上的神经网络仿真,从而进一步说明选择合适的电极使其具有良好的I-V线性度和电导变化线性度将有利于提高神经网络的识别精度。(2)在交叉阵列中存在漏电流所引起的串扰问题,将会造成器件信息的误读,影响阵列功耗,限制阵列规模的扩大。为了解决漏电流问题,需要串联一选通器件。在这项工作中,本文设计并制备出优异性能的TaOx基选通器件,其具有低漏电流、自限流、CMOS兼容等优点。为了验证该选通器件对漏电流的抑制作用,本文将其与合适的忆阻器件进行集成,选通器件加入后极大地降低了忆阻器件的漏电流。通过对读取窗口与阵列规模的计算,选通器件将能够使阵列存储容量得到极大提高。该工作实现了能够稳定操作的选通器件及其集成单元,在忆阻器交叉阵列的实现上具有一定意义。