神经形态系统是仿人工神经网络构建的硬件系统,可以实现更高的信息处理和容错能力,被广泛应用于模式识别、机器学习、信号处理、图像处理等领域。忆阻器作为一个纳米级元件,具有非易失性/易失性、记忆性、可塑性、低功耗等特点,可以作为一个天然的突触。基于忆阻器的交叉架构则可以作为神经形态系统中天然的权值矩阵。由于不同的忆阻器具有不同的特性,为满足不同的需求,基于各类忆阻器设计的神经形态系统也越来越丰富。但这些系统多数存在三个问题,其一,通过传统工具对测试样本进行了大量的预处理;其二,网络的训练过程通常是通过线下系统实现的,而测试过程则是在神经形态电路系统上实现。其三,大多神经形态系统仿照传统数字系统的处理方法,而忽略了人脑的独特特性,比如遗忘特性。针对以上问题,本文构建了一种基于方差相关学习算法的遗忘忆阻神经形态系统,并将该系统成功应用于模式识别。在进行有效的手写数字图像识别之外,还研究了遗忘速率与识别效率之间的关系。本文的具体研究内容和成果如下:1、对经典惠普忆阻器和遗忘忆阻器的内部机制进行了阐述说明,并对其数学模型进行了理论推导。在一维遗忘忆阻器模型的基础上,介绍了改进后的三维遗忘忆阻器模型,并给出了三维遗忘忆阻器模型的单、双极和单双可逆条件。通过建立SPICE仿真模型,对这三种忆阻器模型的内部特性和突触行为进行了详细的比较和分析。2、基于一维遗忘忆阻器模型设计了一种神经形态电路系统。该系统是包含自学习电路系统、训练电路系统及识别电路系统的多层集成系统,可以实现样本的在线训练和识别功能。针对系统不同层所实现功能的不同,给出了各个部分的电路原理设计和功能仿真。3、基于样本的群体特征和个体特征,提出方差相关学习算法,实现对忆阻交叉架构矩阵在线的训练。该方法可以有效简化样本的预处理工作,同时便于电路系统的实现。4、将神经形态系统应用于手写数字图像的模式训练及识别。通过仿真验证了系统的功能和有效性。另外,进一步研究了遗忘忆阻器的遗忘因子?对识别结果的影响,发现不同区间的遗忘因子对识别效果具有不同程度的影响。