人工智能技术正在深刻地的影响着当代社会。凭借在机器视觉和语音识别等领域的重大突破,神经网络已成为现代人工智能的核心技术方案。然而,运行在传统硅基芯片数字平台上的人工智能算法,在很大程度上受到摩尔定律接近终结和传统冯·诺伊曼架构的限制,使得该方案的能效（性能功耗比）较差。因此迫切需要一种超越CMOS技术的新型神经形态计算体系结构。近年来,忆阻器（一种具有记忆功能的阻变器件）因其快速高效的矩阵向量乘法运算而成为神经形态计算的新型硬件解决方案,基于忆阻器的神经形态计算也因其较好的能效而受到人们的广泛关注。对于神经网络的推理过程（正向传播）,忆阻器可以看作是具有可调突触权重（电导）的可变电阻。利用欧姆定律和基尔霍夫定律可以很容易地实现矢量乘法。对于网络训练过程（反向传播）,可以根据随机梯度下降算法（SGD）计算待更新的权重量,并通过在器件终端上施加相应数量的电脉冲来更新突触权重。然而,忆阻器的非线性权值更新特性使其在神经网络学习过程中难以训练,进而导致忆阻神经网络的性能较低。在本论文中,我们通过修改忆阻器件阵列的差分电路结构,并基于此电路结构开发了一种自适应学习方法来更新权重,从而有效抑制了忆阻器非线性特性引起的误差,提升了网络的整体性能。此外,本论文提出的权重更新方案具有良好的硬件友好性。在权重更新过程中,无需读取忆阻器精确的电导值,也无需计算施加在器件终端上的具体电脉冲数。相较于传统的非线性随机梯度下降（SGD）算法和常用于忆阻神经网络的分段线性（PL）方法,本论文提出的方法可以大幅度降低外围控制电路的复杂程度。最后,我们基于忆阻器构筑了经典的卷积神经网络LeNet-5,并根据本论文提出的方法完成了LeNet-5的权重更新过程。仿真实验结果表明,在忆阻器非线性值为±1的典型情况下,本论文方案对MNIST手写体数据集的识别准确率可以达到94%。其在线学习性能显著超过传统的基于忆阻器网络的非线性SGD算法。