忆阻器的提出和发现为电子计算技术的发展和人工神经网络的研究与实现带来了新的动力。忆阻器所具有的非线性、非易失性、无源性及纳米尺度等特点,将有利于改变传统的冯·诺依曼计算体系,制造出类似生物神经系统一样的神经计算机,同时降低能量消耗,并且在数据存储、神经网络、并行计算、混沌电路等方面具有非常广泛的研究和应用空间。交叉阵列结构作为目前忆阻器应用的一种主要研究手段,可应用在数据存储、神经网络训练和模式识别中,采用交叉阵列可以有效的节省系统空间,大大缩小系统的尺寸规模。结合忆阻器类似生物神经元细胞或突触结构的运算和存储于一体的工作方式,将大大有利于神经网络的实现。本文主要研究了忆阻器基本数学模型和几种扩展模型并分析了忆阻器所具有的基本特性,介绍了忆阻器交叉阵列结构及其工作原理,通过对忆阻器进行二值化定义,研究并给出了忆阻交叉阵列的读写电路图,探讨了信息存入和读取的工作流程,同时考虑了噪声条件下的信息读取和状态恢复以及大规模交叉阵列结构中信息存取的平衡模式及数据有效性问题,最后以交叉阵列结构为背景讨论了忆阻神经网络对二值图像的学习和识别等内容。本文重点研究了忆阻器及交叉阵列结构在数据存储和神经网络图像识别中的应用,具体内容分为以下几个方面:①忆阻器经典模型和扩展模型特性研究回顾和探讨了Chua提出的经典忆阻器理论模型,通过分析电路中多个参数之间的关系,给出了荷控忆阻器和磁控忆阻器的定义。对惠普忆阻模型及其漂移效应进行了数学推导,并对比了解决边界效应的两种主要的窗口函数及其优缺点。针对惠普忆阻器假定ONR远小于OFFR的前提要求,提出了综合ONR影响的扩展惠普忆阻器模型,证明了在一定条件下即使ONR和OFFR的值相对接近,也能获得较为理想的磁滞效应,仿真结果证明了此类忆阻器具有更快的状态转换速率以及较小的能量消耗。此外,针对双扩展忆阻器模型和自旋电子忆阻器模型的研究从状态转换机制的角度证明了忆阻器模型的多样性。②忆阻交叉阵列及其读写策略研究重点讨论了交叉阵列系统中的忆阻器状态的读写机制,研究并设计了一种可供读和写的系统电路图。针对操作过程中忆阻器内部状态可能被读取信号改变以及测量电流可能通过潜路径流动造成目标忆阻值判定错误的情况,分别采用统计恢复机制和平衡记忆模式来减小读取误差,提高交叉阵列数据的有效存储量。引入编码概念减少读写控制信号的复杂度,通过仿真统计验证了多模式下忆阻交叉阵列对逻辑0和逻辑1信息的存取效果。③基于交叉阵列结构的忆阻神经网络对二值图像的学习和识别研究构建了一个简单的前馈忆阻神经网络对二值图像进行学习和识别。由记忆层对图像进行叠加学习,影响层对学习过程加以记忆,决策层根据基于影响因子的相似度进行识别。该网络可以消除错误样本和噪声样本的干扰,具有快速学习和较高的噪声容忍能力。通过影响因子提取的特征也可用于其他类型的网络进行进一步的识别。而结合评价函数和神经细胞功能的忆阻神经元结构将简化网络的集成电路实现,促进多种网络的融合。