忆阻器是非线性动态纳米级器件,其功耗低、速度快以及易于高密度集成等特点,使得它在硬件电路实现方面具有重要的意义。但是,对于忆阻器在神经网络方面的研究,学者们都是利用忆阻器的类突触特性,实现神经网络的突触,却从未利用忆阻器实现其他硬件电路。因此,本文利用磁控忆阻器的非线性特性实现低功耗、易扩展的忆阻激活函数,提出基于忆阻激活函数的递归神经网络(M-RNN),并将其应用到联想记忆中。然后,将单层M-RNN扩展到多层,进一步提出基于忆阻激活函数的多层递归神经网络(MM-RNN),通过数学分析证明其稳定性,并且利用MM-RNN实现动态图像联想记忆。本文主要研究内容包括以下几项:首先,将磁控忆阻器反相并联,利用其磁通量与电荷之间的非线性特性关系,实现忆阻激活函数。从忆阻突触之外的角度为实现递归神经网络电路大规模集成化提供新的有效途径。其次,不同于以往忆阻递归神经网络的研究,本文将忆阻激活函数应用在传统的递归神经网络上,同时,加入矩阵转移函数?(t),提出M-RNN。依据?(t)与输入图像P的关系,将M-RNN的联想记忆分为静态图像联想记忆和动态图像联想记忆进行仿真分析。通过MATLAB仿真实现M-RNN的二值、三值静态图像的自联想和异联想记忆。另外,由于加入矩阵转移函数?(t),使得M-RNN也能实现简单的动态图像的联想记忆。最后,将M-RNN扩展到多层,进一步提出MM-RNN。同时,它也增加了分析的复杂性,甚至影响整个网络的稳定性。因此,本文通过数学理论分析证明MMRNN的稳定性。接着,通过图像的联想记忆仿真实验再次验证了MM-RNN的稳定性和有效性。将联想记忆目标图像的背景图像和前景图像分别作为两层网络的外部输入,不仅能实现静态图像的联想记忆,而且能够实现动态图像的联想记忆。仿真结果表明,MM-RNN比M-RNN具有更加强大的信息处理能力。该研究为探索视频图像的联想记忆提供一种新的选择。