现代计算机技术的发展和普及使其容量和处理速度得到了提高,但现有的计算机架构仍受限于冯·诺依曼体系结构,在大数据时代,难以满足人工智能对海量信息进行高效处理的要求。为了从根本上摆脱运算和存储单元分离的内存墙问题,实现内存计算,研究者受到人脑低功耗和高度并行计算的结构和功能启发,想要通过拟人脑神经网络的方式实现类脑计算并提升效率。随着各种新型的非易失性存储器的产生,如何将其用于电子突触实现对生物突触的模拟,并构建交叉阵列实现硬件上的神经形态计算,这成为研究者关注和探究的问题。然而使用电子突触训练神经网络会面临着各种非理想特性的挑战,造成识别精度下降,本文主要讨论电子突触的非理想特性对神经网络的影响并进行了仿真研究。本文首先介绍基于电子突触的神经网络研究背景,以及生物突触和电子突触的特点,说明电子突触器件构建交叉阵列实现矩阵计算的基本原理以及用于构建人工神经网络的各种非理想特性,这些特性对神经网络的推断和训练造成严重影响;其次,基于电子突触模型构建神经网络,在深度学习框架Pytorch的基础上编写了多层感知器的仿真代码,程序实现了权重与电导的量化与映射关系、前向计算流程以及反向传播中根据权重改变量计算脉冲数目更新权重;然后研究了电子突触的电导阶数、非线性和非对称性、D2D变化、C2C变化和SAF等不同特性对神经网络识别率的影响,仿真结果表明,虽然缩小权重的映射范围可以提高识别率,但电子突触非线性的特性使得权重更新产生误差,并显著降低了识别率;最后,研究了提高线性度和优化权重更新的几种方法,并在仿真中使用Adam算法替换梯度下降算法更新权重,对于不同电导阶数的电子突触,通过调整学习率,控制权重更新的脉冲数目,可以提高识别率。这些研究对非易失性存储器的应用和基于电子突触的神经网络硬件电路实现有关工作具有重要的指导意义。