人工神经网络作为当今最火热的研究领域,已经引起了工业界和学术界极大的研究兴趣,同时也产生了显著的社会影响。在视觉识别,自动驾驶,语音助手,游戏等不同的应用中,人工神经网络表现出的能力超过了人类。目前,常用的几种人工神经网络硬件计算单元有中央处理单元、图像处理单元、谷歌的张量处理单元等,这类加速器都是基于CMOS工艺制备的“冯诺依曼”架构数字计算单元,其特点是存储单元和计算单元分开。然而,随着信息技术的发展以及人工神经网络的结构加深,目前的人工神经网络计算系统无法满足日益增长的存储和带宽的需求。相比之下,基于神经形态计算架构的人工神经网络硬件平台由于具有存算一体的特性,普遍被研究者认为是最有希望替代传统人工神经网络架构的方案。进一步,忆阻器作为实现神经形态架构应用的首选器件,具有非易失、结构简单、功耗低、存储密度高、纳米级尺寸以及与CMOS工艺兼容等优点。然而,由于忆阻器的模拟特性,忆阻器人工神经网络的部署方案需要进行重新设计。因此,本文对忆阻器交叉阵列实现人工神经网络的部署方案进行了深入的研究,设计了一种基于离线学习的权重映射方法实现了权值在忆阻器中的映射,并成功的应用于忆阻器卷积神经网络的离线部署,同时,研究了器件电导变化特性对该权值部署方案的影响。进一步,设计了一种基于在线学习的权值更新方法对存储在忆阻器当中的权重进行更新,并成功的应用于人工神经网络的在线训练。同时,对该部署方案随器件电导变化的部分非理想特性的容忍性进行了研究。论文的主要工作如下:（1）详细介绍了四种忆阻器模型,分别是基于导电细丝机制的动态忆阻器模型、基于氧化物的忆阻器紧凑模型、基于离子浓度分布的忆阻器模型、电压阈值控制的通用模型。这四种忆阻器模型分别从随机阻变存储器的不同阻变原理特性进行建模。同时,用MATLAB对这四种忆阻器模型进行仿真实验并分析了它们的参数特性,为后续搭搭建基于忆阻器的人工神经网络提供了理论分析。（2）设计了一种基于离线学习的权重映射方法,实现了忆阻器人工神经网络的权重映射。并应用于卷积神经网络权重在忆阻器交叉阵列模型的离线部署。进一步,分别以上述四种忆阻器模型作为基础忆阻器模型,构建的忆阻器交叉阵列模型实现了卷积神经网络并成功应用于MNIST数据集的图像识别。通过比较和分析基于这四种忆阻器模型构建的卷积神经网络对MNIST数据集的测试结果,研究器件特性对该部署方案的影响。（3）设计了一种基于在线学习的权值更新方法对忆阻器神经网络的权值进行更新。通过设置阈值,限制人工神经网络反向传播中梯度更新,当梯度积累超过阈值时释放脉冲,更新电压阈值控制模型的忆阻器交叉阵列中器件电导。运用该部署方案应用于多层感知机和卷积神经网络在忆阻器交叉阵中的在线训练,通过MNIST数据集图像识别的测试,证明了该权值更新方法具有很好的效果。通过设置电压阈值控制模型的忆阻器参数改变电导变化曲线的部分特性,例如线性度,对称性,中间电导状态数量,研究了该部署方案对器件部分非理想特性的容忍性。实验证明了该部署方案对忆阻器器件的非理想特性具有很好的容忍度。