随着第四种无源基本电路元件忆阻器的发现,对其原理及应用前景的探究成为电路领域的研究热点。忆阻器是一种有记忆功能的非线性电阻,对模拟信号有独特的响应能力,且基于忆阻器的神经网络架构可从根本上解决冯·诺伊曼瓶颈。然而,目前忆阻器无论是阻值切换机理还是材料及其制备工艺都尚未形成统一标准,限制了忆阻器的实际应用。因此在器件制备以及电路搭建之前,需进行相应的模拟仿真。作为电路仿真的基础,器件模型的搭建与仿真分析对优化电路功能、提高电路设计效率、降低电路制造成本等至关重要。本文针对忆阻器模型的仿真以及应用展开研究:1、忆阻器件模型的构建与对比分析。本文在SPICE环境下构建仿真忆阻器模型,对基于边界迁移理论的忆阻器理想模型、双极性阈值行为模型(Pershin模型和Biolek模型),导电细丝紧凑模型以及MOS管电路模型进行对比分析。其中基于边界迁移理论的忆阻器模型较理想化;基于MOS管电路的模型与实际忆阻器件匹配度较低;紧凑模型更加接近实际的忆阻器件性能,为忆阻器的机理研究及应用提供了理论指导。2、基于理想忆阻器模型的低通滤波电路构建分析。利用Pspice软件仿真并分析基于传统电阻(RC)和基于忆阻器(MC)的低通滤波电路,并比较一阶MC滤波电路和二阶MC滤波电路的滤波特性。仿真结果表明:基于忆阻器的低通滤波电路具有更加优良的频率选择特性,且由于忆阻器具有叠加作用,二阶MC电路比一阶MC电路性能更优异;指出了忆阻器对模拟信号独特的响应能力在电路领域的广泛应用前景。3、基于忆阻器紧凑模型的高准确率手写数字体识别系统的实现。基于导电细丝的紧凑忆阻器模型,以欧姆定律模拟矩阵向量乘法代替传统神经网络中的卷积计算,在Python环境中仿真基于忆阻器阵列的神经网络,通过调节忆阻器阻值对神经网络进行训练,实现基于MNIST(Mixed National Institute of Standards and Technology)数据集的手写数字体识别功能,提升神经网络学习训练效率的同时识别准确率达到97%。