自蔡教授发现忆阻器以来,关于忆阻器的研究在逐步增加。作为一种具有诸多优良特性的电子元器件,忆阻器的纳米尺寸、记忆和存储特性等对现代的科学研究做出了重要贡献。特别地,随着神经网络的迅猛发展,用忆阻器构建的组合电路来模拟神经网络中的突触也变得越来越广泛。近年来,有许多学者设计了相关的突触电路,但这些电路所实现的突触的功能和特性还有一定的提升空间。因此,为了更好的模拟神经网络中的突触,设计一种更完善的突触电路对神经网络的发展是非常重要的。同时,基于对神经网络的探究,其实际生活的应用也越来越广,对其进一步的研究也变得更有价值。本文对两种常用的忆阻器模型及特性进行了分析和比较,并分析了忆阻器的组合电路。基于其模型和组合电路的分析,总结了现有的忆阻器突触电路。进一步,设计了新的突触电路及简单神经网络,并通过相应的学习算法对神经网络进行训练来实现其实际生活中的应用。其具体内容如下:(1)介绍了两种常见的忆阻器模型,即惠普忆阻器和自旋忆阻器。推导了两种忆阻器的阻值计算公式,并用MATLAB对其特性进行了仿真。进一步,对两种忆阻器模型进行了分析和比较。最后,分析了忆阻器串并联电路的复合特性。(2)分析总结了现有的忆阻突触电路,即单忆阻器突触、二忆阻器突触和忆阻桥突触。给出了几种突触电路的结构,分析了其功能实现,并通过仿真实验验证其理论分析的正确性。通过对比几种突触电路所用的忆阻器的数量、权值的实现、面积和功耗,总结了各个突触的优缺点,说明对突触电路进一步研究的重要性。(3)通过对已有的忆阻突触电路的分析,设计了一种新的忆阻突触电路,并构建了相应的电路结构,分析讨论了其在模拟神经网络中的突触时的权值实现方法。基于该突触电路,设计了相应的神经元结构并分析了神经元的工作过程,进一步,构建了一个简单的神经网络。同时,提出一种改进的学习算法来训练该神经网络,将训练后的神经网络用于实际生活中的数据的预测,并通过实验说明了这种方法的有效性。(4)设计并分析了基于4T2M(4个晶体管和2个忆阻器)的忆阻突触电路,构建了多层神经网络的硬件结构,介绍了片内循环学习方法,将该学习方法用于训练所构建的神经网络,进而实现图像的超分辨率重构。