深度神经网络由于优异的预测性能而得到了广泛应用。而传统计算平台由于并行度不高、遇到存储墙问题而无法高效实现神经网络的计算。神经网络推理时的核心计算是矩阵向量乘法。忆阻器交叉阵列由于能够存储权重矩阵,且能够以常数计算复杂度实现矩阵向量乘法,因此被视为较为有前途的神经网络加速器设计解决方案。然而,忆阻器在制造过程中无法避免硬件缺陷的出现。存在缺陷的忆阻器在使用过程中的电气表现是故障。故障忆阻器不能正确表示已经训练好的网络的权值,会降低部署在忆阻器交叉阵列上的神经网络的分类精度。权重映射方法是一种低成本的缺陷容忍方法。我们通过调整权重到忆阻器的映射,在缺陷存在的同时提高部署在忆阻器交叉阵列上的神经网络的分类精度。已有的故障感知的权重映射方法大多基于权重行粒度进行映射,限制了最优解的搜索空间。为解决上述问题,我们提出了两种操作单元级的权重映射方法,实现更细粒度的优化。我们将忆阻器交叉阵列划分成许多小的操作单元（Operation Unit,简称OU）。这些操作单元可以独立激活并进行运算。我们提出的第一种映射算法是通过调节每个OU内部的映射来提高网络精度的,首先在完成以权重行粒度实现权重矩阵到忆阻器交叉阵列的初步映射之后,进一步地调整每个OU内部权重的映射,从而可以实现更细粒度的优化、更好地容忍缺陷和故障。另一方面,OU内部的权重映射调整之后,随着权重在行维度位置上的调整,输入向量里的元素位置也需要调整。因此,不同的OU进行计算时需要不同的输入向量。输入向量数目的增加,不仅要求更多的存储空间、导致控制电路更为复杂,还降低了交叉阵列的计算性能。我们由此提出输入统一算法减少输入向量的数目。该算法根据欧几里得距离量化不同OU的输入向量的相似性,并将最接近的输入向量统一为一个向量并用于这些OU的计算中。以可接受的精度损失为代价,减少输入向量的数目。第二种映射算法是基于KM改进算法的OU粒度级的权重映射算法,KM改进算法综合考虑了权重梯度和偏差的影响。该映射算法对处于同一列的OU所对应的子权重矩阵统一进行优化映射,这样每一列OU只需要存储一个输入向量,减少了输入向量的存储。本文提出两种OU级权重映射方法,将三种深度神经网络映射到含缺陷的忆阻器交叉阵列上进行实验验证。实验结果表明,缺陷率为20%时,与基于行粒度的映射方法相比,Alex Net,VGG16,VGG19三种网络采用第一种映射算法进行映射后,其精度分别提升了11.07%,3.91%,2.24%。同时,相比较于不考虑输入向量数目优化的情况,采用输入统一算法后,输入向量数目减少了10%以上,而网络精度损失限制在1%以内。由实验结果可知通过第二种映射算法映射后的网络精度是最高的,在缺陷率为20%时,Alex Net,VGG16,VGG19三种网络经该算法映射后的网络精度比经第一种映射算法映射后的网络精度提高了1.2%,1.31%,0.8%,并且输入向量的数目也比第一种算法优化后的输入向量的数目少。