随着机器学习理论的不断发展,人工神经网络算法已经广泛运用于图像识别、自然语言处理、模式分类和决策控制等多个领域,并取得了优秀的应用成果。但是,利用基于冯·诺依曼体系架构的传统数字计算机实现人工神经网络算法会产生过高的功耗,这在硬件层面上限制了人工神经网络的应用范围和进一步发展。新型基本电路元件忆阻器具备记忆特性,在信息存储、混沌电路设计、细胞突触功能模拟等方面有着广泛的研究前景。利用忆阻器能够实现存算一体化的非冯·诺依曼计算架构,提高了硬件设备在数据计算时的能效比,为解决人工神经网络的硬件限制问题乃至实现更加仿生的低功耗类脑计算提供了新的研究思路。本文从忆阻模型选取、忆阻突触电路改进、原位训练电路设计和完整神经网络电路系统的实现这四个方面自底向上地展示了忆阻神经网络电路系统的设计流程。作为忆阻神经网络设计的基础,首先介绍了忆阻器的基本理论和常用模型,分析了不同忆阻模型的阻值变化特性对神经网络硬件系统在设计上和性能上的影响。然后,从突触权值表示范围和突触权值读写的准确性角度考虑,提出了改进的人工突触电路,可以适用于大型神经网络电路的设计。根据提出的改进忆阻突触,本文设计了使用反馈调节策略的原位训练电路,无需根据忆阻变化特性编码写入脉冲,直接根据忆阻器实时状态对学习过程进行控制。最后,本文基于双向联想记忆网络的算法模型设计了具体的电路功能模块,实现了网络的神经元激活、迭代传播、权值训练等操作,构建了具备完整学习功能和使用功能的忆阻神经网络电路系统。通过基于算法模型和忆阻电路系统模型的对比仿真测试,证明了设计的忆阻神经网络电路系统能够较好的实现双向联想记忆网络算法。本文设计的原位训练电路不会因忆阻的非线性变化特性产生编码误差,可以广泛适用于具备非理想变化特性的实物拟合忆阻模型调节。对学习过程中因器件延迟参数产生的调整误差也做了定性分析,并给出了减小误差的方法。通过与其他忆阻原位训练神经网络工作的对比,本文设计的忆阻原位训练神经网络系统使用的忆阻器数量较少,且实现了一次调节训练全部忆阻的同步权值调整,在学习效率上具备一定优势。