随着5G时代的到来,人工智能的发展和数据大爆炸对计算机性能提出了更高的要求。而随着摩尔定律逐渐达到器件的物理极限,传统的冯·诺依曼架构限制了数据传输和计算的速度。基于忆阻器的存内计算架构能够实现存储和计算的融合,有望突破传统计算机体系架构,可极大的提高现有计算机的性能,成为了国内外研究的热点。朴素贝叶斯分类器是一种以贝叶斯定理为基础的简单的概率分类器,相比其他神经网络算法结构简单、性能稳定,在信息检索、模式识别等领域都有广泛的应用。如何将朴素贝叶斯算法与忆阻器电学特性相结合,实现简洁、高效的概率分类器具有重要的研究意义。本研究提出并设计了一种基于忆阻器的朴素贝叶斯分类器,通过将朴素贝叶斯算法中的计算过程映射到忆阻器的电导渐变随着脉冲数量成对数函数的特性中,有效克服忆阻器电导变化的非对称性和非线性等非理想因素的影响。本文提取Ti/Hf O2/Qds/Pt器件的电学特性,再通过python编写了基于忆阻器的朴素贝叶斯分类器的代码,并通过了手写数字数据集和IRIS数据集进行了验证。然后,通过对忆阻器件的器件错误、电导不一致性、电导非线性、电导状态数等非理想因素建模,研究了几种非理想因素对分类器性能的影响。仿真结果表明,器件错误对分类器性能的影响较大,电导不一致性、电导非线性、电导状态数对基于忆阻器的朴素贝叶斯分类器的影响较小。最后,针对上述问题,本文对上述分类器做了进一步的优化,在基于忆阻器的朴素贝叶斯分类器的基础上设计了基于忆阻器的选择贝叶斯分类器,并通过仿真研究了非理想因素对该分类器的影响。仿真结果表明:基于忆阻器的选择贝叶斯分类器对器件非理想因素的容忍度有很大的提高。本研究设计的基于忆阻器的朴素贝叶斯分类器可完全在忆阻器上实现真正的“片上学习”,为基于忆阻器的存内计算提供了新的思路。