近年来,人工智能、类脑计算等信息技术的长足发展开启了新一轮智能化革命的序幕。人工神经网络便是脑科学与信息技术高度交叉和融合的产物,随着研究工作的不断推进,其在医学,经济,生物,自动控制,模式识别等领域均发挥出优秀的性能并且解决了众多人脑乃至现代计算机都无法解决的实际问题。作为经典的人工神经网络模型之一,径向基函数网络（RBF）拥有良好的泛化能力和逼近精度,其简洁的网络结构和出色的分类性能使其可以高效的完成分类任务,在图像处理、模式识别、联想记忆等方面有着巨大的应用潜力。然而根据的不同分类任务获取最佳网络参数且完成高性能的网络模型构建并非易事,因此需要采取一种更合理有效的解决方案来突破这些瓶颈。在人工神经网络飞速发展的同时,其对计算能力的需求也在不断增长,随着摩尔定律达到极限,提高芯片算力和降低能耗变得越来越困难。传统电路的运行和处理速度已经无法适配日益增长的算力需求,这就迫切的需要一场电路领域的革新。忆阻器正是这场科技浪潮中的亮点之一,这种纳米级尺寸的器件不仅具有非易失性,同时又兼备高集成、低功耗、读写快的特点。由其构成的忆阻电路在大规模存储电路、逻辑运算等领域有广泛的应用前景,对于新一代智能信息处理系统而言有着非常重大的意义,也有望取代传统电路元器件并开辟新型电路的时代。本文对神经网络和忆阻设备现有研究进行了归纳总结,并在基础之上做出了以下探索和创新:（1）根据RBF神经网络的机制和性能瓶颈,提出一种RBF-MLP网络。该网络模型借助多层感知器（MLP）反向传播调整RBF隐藏层内基函数参数,并通过遗传算法框架根据当前任务自动获取网络中隐藏层神经元的最佳数量,完成高鲁棒性网络模型的构建。根据实验数据分析,该网络在进行MNIST数据集分类任务时可以达到98.33%的准确度,在与其他高性能神经网络模型的对比实验中也验证该方案的有效性。（2）根据自旋忆阻器的电路特性和结构特点,基于RBF-MLP网络的结构提出一种由自旋忆阻阵列与差分放大电路共同构成的神经网络电路模型。通过外部施加的读信号、训练信号、偏置信号达到片上有监督学习,理论上可以实时模拟RBF-MLP网络的运行效果。（3）在现有忆阻电桥突触的研究成果基础之上,提出一种不依赖晶体管的自旋忆阻电桥突触电路。同时基于这种忆阻突触提出完整的RBF神经网络电路。通过低功耗、小体积并且具有阈值特性的自旋忆阻突触替代传统MOS管,可以大幅提升神经形态系统中权值处理和计算效率。最后,对本文的内容和工作进行了总结。同时根据研究中出现的问题和不足之处提出解决方向和规划,并对下一步需要进行的工作进行了展望。