经过数十年的发展,人工智能在许多方面如自动驾驶、人脸识别、智能医疗等得到应用。卷积神经网络作为其中受到诸多关注的神经网络算法,在计算机视觉的领域内展现了独特的优势。但随着神经网络算法的快速发展,其对计算机处理性能的要求越来越高。在传统计算机结构中计算和存储是分开的,随着网络计算量的增加,资源消耗也随之增加。现有硬件结构渐渐无法满足神经网络的计算需求。忆阻器的出现有望解决这一难题。具有学习和记忆功能的忆阻器既可以用于存储神经网络的权重,也可以通过模拟特性用于网络计算,非常适合用于实现神经网络的硬件实现。因此,本文利用一种简单的线性忆阻器模型和CNN算法结合,在MATLAB中设计基于忆阻器的CNN硬件模型,用于识别手写数字图像。CNN模型的训练使用异位训练办法,得到网络权重和偏置参数。分析权重和阻值之间的关系后,根据忆阻器的存储原理,设计相应的权重加载模块来实现对忆阻器的权重读写操作。并通过图像读写实验来验证模块。神经网络的权重和偏置参数根据换算公式转换成对应的阻值,并通过加载模块实现忆阻器的阻值变换。基于忆阻器阵列模型实现卷积层模型和全连接层模型的设计。利用四个忆阻器结合积分器模块实现池化层模型。积分器的设计目的是为了还原换算成阻值的权重信息,处理卷积层和池化层的输出结果。采用积分器模块和激活函数模型共同实现处理信息的神经元功能。基于Softmax函数的原理,设计最终的输出层,来处理网络的输出结果,完成最终输出。完成网络模型的模块设计后,整体MATLAB模型得以完成。经过实验验证,CNN模型具有良好的性能,忆阻器阵列部分的功耗约为0.2mw,识别图像速度较快,所需时间为1us。对随机抽取的测试图片的识别准确率达到90%。