近年来人工神经网络（Artificial Neural Network，ANN）的研究取得了重大进展，并广泛应用在图像处理、语音识别、自然语言处理、工业控制等领域，是人工智能的重要分支。随着社会步入大数据时代，ANN需要处理的数据越来越多，对计算设备的计算性能要求越来越高，而现有的基于冯·诺依曼架构的计算体系越来越难以应对这个挑战，因此亟需一种具有实时处理数据及大规模并行计算能力的新型计算架构。忆阻的出现，为这一问题的解决提供了契机。忆阻具有可塑性，非常适合用作神经网络突触，能够极大简化突触电路的设计，并且具有功耗低、存算一体以及易集成实现大规模并行计算等优点。本文首先基于忆阻特性，结合ANN算法，设计了一种适用于ANN的忆阻阵列，并提出相应的原位调整忆阻电导值的更新策略。原位学习可以使忆阻神经网络在训练过程中适应硬件电路的特性，具有更好的学习能力。进一步，基于忆阻阵列，设计了多种具有原位学习能力的ANN电路，并检验了它们在模式分类任务中的表现。本文主要完成的工作以及创新成果具体如下:设计了适用于构建忆阻神经网络电路的忆阻阵列，可以实现正、负和零权值，并通过设计电路结构和参数实现了多种非线性激活函数。提出基于“半电压选择法”及两步更新方式的原位学习策略，无需1T1M（One Transistor One Memristor）结构突触需要的控制端来控制忆阻电导值的写入，只需施加行和列电压即可并行更新忆阻电导值，适用于1M（One Memristor）、2M1R（Two Memristors One Resistor）等无晶体管控制端的忆阻突触构成的忆阻阵列。基于所提出的原位学习忆阻阵列，构建了基于忆阻的全连接层、卷积层、平均池化层，进而设计了两种基于忆阻的前馈神经网络电路，即忆阻多层感知机（Memristorbased Multi Layer Perceptron，MMLP）和忆阻卷积神经网络（Memristor-based Convolutional Neural Network，MCNN）。通过所提出的原位更新策略，实现了MMLP和MCNN的原位训练，解决了异位学习不能适应硬件电路特性以及一些原位学习方法不能并行更新忆阻电导值的问题。通过模式分类任务检验了MMLP和MCNN的有效性。设计了一种基于忆阻的循环神经网络（Recurrent Neural Network，RNN）电路，即忆阻长短时记忆（Memristor-based Long Short Term Memory，MLSTM）网络。MLSTM相比MMLP和MCNN，考虑了输入数据时间上的关联性，具有处理时序数据的能力。同样通过原位更新策略训练MLSTM。与已有的基于忆阻的LSTM电路相比，MLSTM电路设计更完整，学习能力更强。通过在模式分类数据集上的仿真实验，检验了MLSTM处理时序数据的有效性。设计了一种基于忆阻的模拟新大脑皮质的神经网络电路，即忆阻空间沉积池（Memris-based Spatial Pooler，MSP）网络。MSP通过竞争性Hebbian学习规则进行训练，虽然没有误差反向传播（Back Propagation，BP）算法精确，但执行速度快、电路实现简单且功耗低。所设计的MSP解决了以往空间沉积池（Spatial Pooler，SP）电路中存在的不能完整实现SP突触功能、并行性不够、没有学习电路的问题，并实现了原位学习及突触并行更新。通过统计指标及模式分类任务检验了MSP的有效性。最后对本文工作进行了总结，并对今后的工作提出研究展望。本文的研究结果可以为不同类型的忆阻神经网络电路提供设计研究参考。