忆阻器是一种具有记忆性的新型电路元件,在阻变存储、逻辑运算以及神经网络等方向具有广阔的应用前景。本文以忆阻器为基础,在忆阻神经网络以及联想记忆模型作了以下研究工作:研究了忆阻器的基本原理和数学模型。主要研究了线性HP忆阻器、非线性HP忆阻器、匹配忆阻器及肖特基遗忘忆阻器的特性,并对非线性忆阻器常用的窗函数作了对比分析研究。介绍了每种忆阻器模型的原理机制,借助matlb软件对每种模型进行了数学建模和仿真分析。仿真结果验证了忆阻器是一种具有记忆性的元件,其伏安特性曲线会表现出明显的磁滞回环特性,并且会随着外加交流信号源频率上升而逐渐退化为线性电阻。此外仿真结果还验证了忆阻器的阻值开关特性以及肖特基遗忘模型的遗忘特性。研究了基于HP忆阻器的四种经典突触桥电路的动力学特性,主要有M1、M2、M4以及M5型忆阻突触桥电路。介绍了每种突触桥电路的结构及原理,并通过PSPICE软件对每种电路的权重及阻值进行了仿真及分析。仿真结果表明M1及M2忆阻突触桥电路无法实现突触的负权重以及零权重;M5型忆阻突触桥能够实现突触的正负权重但无法实现零权重;M4型忆阻突触桥能够实现突触的正负权重以及零权重,并且由于互补对称特性M4型突触桥权重近似线性变化,能够实现线性可调的忆阻突触。研究了基于M4型突触桥电路的忆阻神经网络的训练学习方法。基于M4型突触桥电路实现了硬件忆阻神经网络,介绍了传统的梯度下降方法以及适合硬件电路训练的随机权重更新法,分析了两种方法应用于硬件忆阻神经网络时的优缺点,结合两种权重更新方法的优点提出了一种混合训练方法。利用MATLAB将该训练方法应用到模式识别领域,对异或问题以及手写字体识别问题进行了实验仿真。仿真结果表明了该混合训练方法不仅能够大大降低训练的迭代次数,同时能够获得良好的识别精度,因此是一种适用于硬件忆阻神经网络的训练方法。提出了一种遗忘阈值忆阻器模型并对其在联想记忆中的应用进行了研究。介绍了Hebb学习法则及巴普洛夫联想实验,基于HP忆阻器模型以及匹配模型提出了一种具有指数型遗忘规律的阈值忆阻器模型,并给出了PSPICE宏模型。基于该遗忘阈值模型给出了一种联想记忆模型,利用PSPICE仿真重现了具有遗忘过程的巴普洛夫实验。进一步地将该联想记忆模型扩展至联想记忆网络,通过PSPICE实现了多输入信号下的两种巴普洛夫扩展实验。仿真结果证实了遗忘阈值忆阻器模型能够有效的构建联想记忆网络,该网络可以实现突触权重的正负设置,重现大脑的联想记忆及遗忘过程。