根据摩尔定律，当价格不变时，集成电路上可容纳的元器件的数目，约每隔18-24个月便会增加一倍，性能也将提升一倍。现如今，半导体器件的特征尺寸从微米级缩减至7纳米，逐渐接近摩尔定律的极限。深纳米尺寸的电子器件面临众多复杂且难以解决的量子效应，给半导体行业带来前所未有的挑战。与此同时，人工智能飞速发展，由谷歌(Google )旗下DeepMind公司开发的人工智能机器人AlphaGo吸引人们对深度学习的关注。AlphaGo使用40线程、48个CPU和8个GPU，如此庞大的晶体管数目带来了令人震惊的围棋水平，还有大量数据的高速处理、庞大的芯片面积和巨大的功耗。大规模高性能计算使得现有的电子技术无法满足在日益增长的晶体管数量下低功耗的要求，这就迫切需要一种尺寸可缩减且可突破冯·诺依曼架构的低功耗器件。忆阻器是一种新型电子器件，具有的优异特性:(1)忆阻器结构简单、器件尺寸小，可制备高集成度三维垂直结构；(2)忆阻值动态范围大，具有多个稳定状态，可实现多值逻辑运算；(3)忆阻器具有高耐擦写能力和电阻状态保持能力；(4)集存储与计算于一体等。忆阻器的这些性质能够为现有电子技术的困境提供一种可行的解决方案。
　　忆阻器是未来电子技术发展的关键元件之一。近年来，忆阻器的物理制备及其电阻转变机制吸引科研工作者的目光，然而作为沟通电子设计自动化平台与器件制备工艺的忆阻器模型未能引起广泛关注。现有的忆阻器物理模型和电路模型不仅具有复杂晦涩的计算过程，而且不能在电子设计自动化平台上实现，限制了这些模型的通用性并导致失去探索忆阻器电路设计的可能性。为了解决这些问题，本文提出一种基于导电通道的形成与湮灭的忆阻器电路级模型。该忆阻器模型具有以下优点：1)以物理现象为基础，该忆阻器模型可以准确的描述忆阻器的电压电流特性；2)具有统一的数学表达式，数学形式简单。3)通过三种材料忆阻器(TiO2/TiO2+x忆阻器,Pt/TaOx/Ta忆阻器和Ni/NiO/Ni忆阻器)的模型数据和实验数据对比，验证了该模型的通用性和准确性。4)用硬件描述语言Verilog-A容易实现该模型的封装，可用于电子设计自动化平台。5)忆阻器电路级模型还能够描述忆阻器的不稳定性。该忆阻器电路级模型为探索忆阻器各种应用提供了模型基础。
　　然而由于制备工艺的不成熟，氧离子/空位的随机生成和迁移，金属纳米颗粒的弛豫动力学或热电效应等不可控的因素，忆阻器的不稳定性普遍存在并影响忆阻器性能，如忆阻器的正负阈值电压、最大电流等。虽然在制备过程中提出了一些提高忆阻器可靠性的策略，如引入BEOL(back end of line)技术兼容的TiN势垒层或基于石墨烯氧化物/TiO2的结构，但忆阻器的不稳定性仍然不可避免。忆阻器的不稳定性不仅损害忆阻器的性能并损害忆阻器应用的性能。忆阻神经网络作为忆阻器最重要的应用之一，其性能很大程度上受忆阻器不稳定性的影响。为了探究忆阻器的不稳定性对神经网络的影响，基于忆阻器的周期不稳定性以及忆阻器器件间的不稳定性，将忆阻器的不稳定性分为四种类型；建立典型的监督学习型忆阻神经网络与非监督学习型忆阻神经网络并分别研究了四种类型的忆阻器不稳定性对两种忆阻神经网络的影响。本文希望通过上述工作，能够加深对忆阻器在机器学习中作用的理解，为忆阻神经网络的设计提供指导。
　　虽然忆阻器具有高集成度的三维垂直结构和高速、并行处理数据的优势，但是忆阻器在图像增强方向的应用并不多见。文章探索了基于忆阻器的图像增强方法的可行性并提出两种基于忆阻器的图像增强的策略：1)基于忆阻器的图像增强方法；2)基于忆阻器和传输图的图像增强方法。基于忆阻器的图像增强方法具有一定的增强效果，但是由于忆阻器自身的特性，导致无法达到最优的效果。针对这种情况，提出一种基于忆阻器和传输图的图像增强方法，此方法充分利用了忆阻器的非线性特性，解决了基于忆阻器的图像方法的缺陷且图像增强效果优良。其中以图像四角十六个像素值计算得到传输图四角像素值，并通过最简单的插值运算得到图像的传输图。该传输图计算简单，极大缩减了传输图的计算量。忆阻器的硬件优势和基于忆阻器的图像增强方法的有效性，使得基于忆阻器的图像增强方法极大的促进高速实时图像增强的发展。
　　本论文紧紧抓住忆阻器领域的前沿，着重研究了忆阻器模型及忆阻器在神经网络、图像增强处理方面。其中建立了忆阻器的电路级模型，探究了忆阻器不稳定对忆阻神经网络的应用并提出基于忆阻器的图像增强方法，促进来忆阻器的发展。