竞争神经网络是一类重要的人工神经网络,其无导师、自组织的学习方式使其广泛应用于模式识别中。新型纳米级元器件忆阻器可以有效地模拟神经突触,本文尝试基于忆阻器,设计竞争神经网络的纯电路实现方式,并将其应用于模式识别中。首先设计了基于Hebbian学习规则的忆阻竞争神经网络电路,该电路由前向计算部分和权值更新部分组成。其中前向计算部分采用赢者通吃规则实现了竞争计算,权值更新部分采用Hebbian学习规则实现了无监督的权值调整,电路的功能通过图片分类的仿真实验得到了验证。然后在其基础上,设计了权值更新方式更贴近于生物神经网络的基于脉冲时序依赖可塑性（Spike Timing Dependent Plasticity,STDP）规则的忆阻竞争神经网络电路,该电路由忆阻交叉阵列模块、改进型泄露-整合-激发模块、后脉冲产生模块、信号切换模块四部分组成。通过仿真实验分别验证了四个模块的功能,同样通过图片分类的仿真实验验证了整体电路的功能,并和基于Hebbian学习规则的忆阻竞争神经网络电路做性能对比分析。最后设计出基于忆阻交叉阵列的双线性插值电路,与所设计的忆阻竞争神经网络电路相结合实现了手写字符的识别,得出所设计的电路适合处理类别数较少的复杂模式分类任务的结论。本文的研究成果主要包括设计了基于Hebbian学习规则的忆阻竞争神经网络电路、设计了基于STDP学习规则的忆阻竞争神经网络电路、设计了基于忆阻交叉阵列的双线性插值电路、结合双线性插值电路与忆阻竞争神经网络电路实现了手写字符识别,设计的电路均是在PSPICE电路仿真软件中实现的。与现有工作相比,设计的竞争神经网络电路的运行过程不需要中央处理单元、现场可编程逻辑门阵列、微控制器等控制单元的参与,硬件消耗小,为竞争神经网络的硬件实现提供了新方法,为存算一体和并行计算体系结构的实现提供了新思路。