存算一体化即使用存储器存储数据的同时完成计算,是目前解决存储器与处理器分离所导致的冯·诺依曼瓶颈的有效方案。忆阻器的十字交叉阵列能够基于欧姆定律和基尔霍夫定律通过模拟计算实现神经网络中的矩阵向量乘法的功能,其使用忆阻器阵列存储权重值信息的同时能够在阵列上完成计算,有效实现存算一体化,能显著加速神经网络计算。二值神经网络是一种特殊的神经网络量化方法,能有效减小网络模型、降低网络所需存储量与计算量、便于硬件部署。目前多值模拟忆阻器存在许多非理想因素,往往会给忆阻神经网络准确性带来影响,且忆阻神经网络因为缺少契合的算法也导致其发展应用受到限制。因此,改善忆阻器性能或设计契合忆阻器特性的神经网络算法至关重要。所以本文从目前最成熟的二值忆阻器入手,选取了便于硬件部署的二值化神经网络算法,基于忆阻器的存算一体化原理设计了二值化忆阻神经网络,并通过仿真分析其可行性。首先结合实际阵列设计需求,使用Python编写了基于二值化忆阻神经网络的算法程序,其采用了0、1输入及激活值和±1权重值,仿真实现了MNIST手写字体数据集识别任务,并通过仿真选取了合适的网络规模。然后针对忆阻器的独立结构和1T1R结构分别设计了突触器件、阵列结构及操作方式,通过两个忆阻器构成的差分结构实现了突触器件,能有效存储±1权重值,且能降低器件非理想因素的影响。最后编写了仿真代码探究器件失效、编写失败、读写误差和保持退化等问题对二值化忆阻神经网络造成的影响,并量测了实验室实际制备器件的对应参数以分析实际效果。通过仿真发现基于二值忆阻器设计的二值化忆阻神经网络有着较强的鲁棒性,读写误差和低于1%的器件错误率对网络准确率几乎没有影响,但需要器件有较好的保持特性。本文设计了一种可行的忆阻神经网络方案,并为后续忆阻神经网络算法设计和硬件部署提供了一些有益的参考。