得益于数据、算法和算力三大助力的发展,以神经网络为代表的人工智能算法与模型得到了快速发展。深度神经网络在图像分类、语音识别以及机器翻译等领域已经取得了媲美人类的水平,各类基于深度神经网络的智能应用也在不断落地与发展。然而,随着移动互联网、5G以及物联网等技术的出现与发展,需要处理的数据急剧增加,同时神经网络的参数量与计算量也在快速膨胀,这对承载神经网络的硬件计算平台提出了更高的要求。传统的冯·诺依曼计算架构由于“存储墙”等问题的存在,逐渐不再满足基于神经网络的智能应用在性能和功耗等方面的要求。由于具有存算融合、大规模并行运算等特性,基于忆阻神经网络的神经形态计算具有高性能、低延迟、低功耗等优点,从而能够适应并进一步推动神经网络的发展与应用。目前忆阻神经网络在模型构建、电路设计以及硬件部署等方面都取得了长足的进步,已经成为新型计算构架中的研究热点。然而忆阻神经网络在实际应用中还面临着来自于模型外部和内部两方面的鲁棒性挑战。具体来讲,普通的忆阻神经网络无法区分分布外输入和对抗样本等异常输入,如何在硬件实现可行性等约束下实现对应的检测与防御是一个难题。同时,由于材料制备工艺的限制,忆阻神经网络还面临着由于器件非理想特性导致的权值扰动等内部鲁棒性问题。这些问题会对模型的可用性和稳定性产生严重影响,已经成为阻碍忆阻神经网络在实际应用中进一步发展的重要因素。针对以上这些问题,本文主要通过模型结构改进、训练算法设计、权值参数优化和硬件电路设计等方法提升忆阻神经网络的鲁棒性。本文完成的主要工作与创新点包含以下几个方面。（1）针对分布外输入问题,本文将深度神经网络的特征提取能力和与径向基神经网络的高维映射能力有机结合,提出了一种能够有效提升神经网络分布外检测能力的两阶段训练算法。所提出的算法通过“先引入,再删除”的策略,在不增加模型复杂度的情况下有效地利用了神经网络的中间层特征信息;本文还设计了相应的正则项,使得模型输出能够实现类内距离最小化和类间距离最大化;更进一步地,本文设计了对应的硬件电路实现方案,其中巧妙地利用神经网络的拟合特性实现了径向基神经网络,为具有分布外检测能力的忆阻神经网络模型提供了一种可行的硬件电路实现方案;最后,通过实验验证了所提出的算法只需一次前向传播就能够取得最前沿水平的分布外检测性能。（2）针对对抗样本问题,本文首先通过一系列实验发现并验证了各类别图片在神经网络内部具有相对稳定的特征轨迹,进而利用特征轨迹可视化了对抗样本从原始类别到目标类别的演化过程;之后利用图像频谱分割技术,从特征轨迹的角度发现图片高频部分在对抗样本生成过程中占据了主导地位;并通过高低频图片的交叉训练测试,证明对抗样本的产生原因是形成了目标类别中广泛存在的高频模式;探索对抗样本的深层次产生原因有助于理解神经网络的运行机理并提升其鲁棒性。最后我们进一步改进了所提出的分布外检测算法,在保持其分布外检测性能的前提下,实现了对对抗样本的有效检测,为构建同时对于分布外输入和对抗样本均具有鲁棒性的忆阻神经网络提供了一种可行方案。（3）针对忆阻器非理想特性问题,本文聚焦于忆阻器的器件偏差、读写扰动和电导漂移等问题,提出了一种基于贝叶斯神经网络与量化正则项的模型优化方案,有效提升了忆阻神经网络对于权值扰动的鲁棒性。我们首先将这些非理想特性对神经网络的影响抽象为模型层面的权值扰动问题,受贝叶斯神经网络权值分布与忆阻神经网络权值扰动之间相似性的启发,提出利用贝叶斯神经网络来优化网络的权值,使得优化后的忆阻神经网络对于权值扰动具有较高的容忍度;为进一步减少离线部署过程中的量化损失,我们设计了两种量化正则项并将其加入到贝叶斯神经网络训练中,使得网络权值在训练过程中能够自动聚集在目标量化值附近,从而进一步提升了模型的鲁棒性。此外,针对贝叶斯神经网络较难优化的问题,提出了预训练和分层训练的策略,使得提出的优化方案能够推广到较大的网络。最后我们通过一系列的实验验证了所提出的优化方案能够大幅提升忆阻神经网络对于权值扰动的鲁棒性。本文分别从模型外部异常输入和内部权值扰动两方面对忆阻神经网络的鲁棒性进行了深入研究,相关研究成果可为忆阻神经网络在实际中的应用提供可行的鲁棒性保障方案,进一步推动相关硬件计算平台在实际中落地与发展。