与传统计算机相比,人工神经网络在解决时间序列预测、图像识别等问题时有着显著优势。人工神经网络根据其拓扑结构可分为前馈神经网络和递归神经网络。前馈神经网络适合处理静态任务,应用范围较窄,而递归神经网络通过增加反馈信号,使得网络具有对过去历史的记忆能力,有着更广泛的用途。但是递归神经网络在训练过程中涉及到的参数更多,导致其训练算法复杂、训练时间较长,且不易收敛。基于传统递归神经网络,研究人员进一步提出了储备池计算系统,它由输入层、储备池层和输出层构成。递归神经网络中的隐藏层被稀疏连接的网络结构代替,即储备池层。输入层和储备池层之间的连接权重以及储备池层内部非线性节点之间的连接权重预先生成且固定不变,不需要被训练。唯一需要训练的参数是储备池层和输出层之间的输出权重,这从根本上减少了人工神经网络需要被训练的参数量,缩短了训练时间,克服了传统人工神经网络训练困难的问题。随着储备池计算的进一步发展,具有延时反馈的单节点储备池通过时分复用技术,将网络结构储备池的多个非线性节点缩减至一个,有效减少了资源消耗,为储备池大规模并行化、集成化和小型化奠定了基础。本文基于自治布尔网络的相关理论,提出了一种具有延时反馈的单节点储备池结构,建立了相应的数学模型。该储备池的非线性节点仅由两个逻辑门构成,极大的减少了储备池物理实现难度和硬件资源消耗。根据逻辑门类型的不同,将提出的储备池划分为四类,并进行了对比研究。通过对储备池层施加不同的外部激励,研究了四类储备池所表现出的衰减记忆特性和分离特性。使用储备池计算系统完成了MNIST手写数字图像识别任务。首先,系统输入层对图像进行二值化处理。然后,储备池层借助逻辑器件自身的非线性特性对图像数据完成非线性映射。最后,系统输出层根据采集到的储备池状态,通过岭回归算法对输出权重进行训练,采用赢者通吃的策略对输出结果进行分类,实现对手写数字图像的识别。根据建立的数学模型,对比研究了四类储备池的超参数对识别正确率的影响,包括反馈延迟时间、复位周期和虚拟节点数量。仿真结果表明,通过选取适当的超参数,四类储备池的识别正确率均高于线性分类器（86%）,其中由异或门和或门构成的非线性节点实现的单节点储备池获得了91.30%的最大识别正确率。在FPGA平台上设计实现了所提出的储备池结构,在PC端完成输入层对数据的预处理过程以及输出层的训练和分类过程。在仿真实验的指导下,对硬件实现的四类储备池的超参数进行了优化,包括反馈延迟时间和虚拟节点的数量,并与线性分类器的识别正确率进行了对比。实验结果表明,四类具有延时反馈的单节点储备池在合适的反馈延迟时间参数下,仅需要1个虚拟节点的储备池状态,即可获得优于线性分类器的识别正确率。通过增加虚拟节点数量,可获得最大91.72%的识别正确率。在使用更少逻辑器件的情况下能够与多节点储备池计算的识别正确率相媲美。此外还研究了训练样本数量对识别正确率的影响,当虚拟节点数量为1～3个,训练样本量达到10000时（仅为线性分类器所需训练样本量的1/6）,四类储备池的识别正确率均高于线性分类器。