随着第四次信息革命的推进,大数据、物联网、人工智能等应用快速兴起,如何高效存储、传输和处理产生的海量数据成为了当前电子信息领域的重大挑战之一。冯·诺依曼架构是指数据存储与处理分离的计算架构,当前正受限于存储器与处理器的性能失配问题,成为了限制处理器性能与效率的瓶颈。同时,摩尔定律正在逐渐失效,依靠器件尺寸微缩来继续提高芯片性能的技术路径出现了功耗和可靠性问题,更加剧了冯·诺依曼瓶颈的恶化,亟需从器件、电路、算法和架构层面寻求突破。神经形态计算借鉴了人脑的组织结构和计算范式,具有强大的计算能力和效率,引起了国内外的广泛关注。忆阻器件具有阻值连续可调的特性,非常适合模拟神经形态计算系统中的突触器件。并且忆阻器同时具有存储和计算的功能,从器件层面实现了神经形态的存算一体特性,被认为是实现低功耗、高密度神经形态计算平台的理想硬件单元。然而,当前基于忆阻器突触的神经形态计算还处在初级研究阶段,仍存在诸多问题和挑战。本论文针对忆阻器件的突触特性、在线学习功能实现及大规模神经形态系统集成方案展开了研究,并取得了如下创新成果:（1）开展了基于离子晶体管突触器件的脉冲神经网络研究。首先,我们提出了用于模拟异质突触可塑性的1T1E突触单元结构,并验证了 1T1E突触的STDP和anti-STDP特性。之后,基于1T1E突触构建了监督学习脉冲神经网络系统,并实验证明了网络的在线学习能力。我们将提出的监督学习网络与神经形态传感器结合,成功应用于时空信息处理任务。最后,通过实验分析说明具有良好突触特性的1T1E突触是构建在线训练SNN的优良突触器件。（2）研究了基于RRAM突触阵列的神经形态在线学习计算核心。突触部分采用规模为256×64的2T2R模拟权值突触,可结合外围读电路和时分复用LIF数字神经元电路实现前向计算功能。通过可配置的RRAM写电路可实时调整突触权重,实现精确时间脉冲序列的记忆和识别功能。最后,我们基于该设计演示了相位编码图像识别处理任务,并基于RRAM阵列测试板卡实验验证了网络在线学习的过程。该结果为发展具有自适应功能的神经形态技术提供了一条可行方案。（3）研究了基于RRAM突触阵列的多核心自适应SNN架构。硬件实现上,采用了三值的4T2R突触结构、硬件友好的复用型积分发放数字神经元及时间编码学习电路。这种器件、算法和电路层面上的协同设计有效减轻了器件非理想特性带来的负面影响,并且提升了网络推理和训练的计算效率。架构上,采用层级路由多核心设计,支持路由多播、部分和扩展及片间互联,在提高神经元连接效率的同时保证了架构的扩展性和灵活性。我们为本设计开发了硬件仿真模型,集成了性能分析工具,并在此模型基础上研究了网络计算模式、映射方法、架构性能和应用验证。最后,我们基于RRAM阵列测试板卡对时间编码的SNN进行了训练和推理的功能验证。以上结果从理论和实验角度证明了该设计具有应用于低功耗自适应智能边缘计算设备的潜力。