随着神经网络的快速发展,它已在多个领域大放光彩,但是目前传统的神经网络多采用软件方式在计算机上运行,在实现相同的任务如图像识别等,相比于生物大脑,需要耗费大量的硬件资源与能源。在此基础上,研究人员提出了神经形态计算这一概念,旨在使用大规模的集成电路来模拟并实现神经系统架构,一定程度上模拟生物神经元与神经系统。本文在神经形态系统研究中主要进行了以下三个方面的工作。针对网络算法模型,首先针对MNSIT手写数字识别训练了一个三层人工神经网络,并改变网络大小和结构得到了不同的识别率,当网络规模为784×784×10时,识别率最高为98.43%,在其基础上,使用权值二值化以及脉冲频率编码等方法,转化得到二值化脉冲神经网络,识别率最高为87.31%。为便于后续进行神经形态硬件研究,通过将二值化权值网络映射到忆阻器交叉阵列中得到忆阻器脉冲计算电路模型,并使用Matlab对其进行仿真,仿真结果显示在相同网络规模下,忆阻器脉冲计算电路模型的识别率与二值化脉冲神经网络的识别率几乎相等,识别率最高为87.28%。这表示该模型能正确运行。基于Matlab对忆阻器脉冲计算电路模型的行为仿真,进一步对其进行电路仿真。搭建整合发放(IF)神经元模型,并对忆阻器交叉阵列进行建模,从而构建了一个规模为64×10的两层神经网络,使用Cadence对其进行仿真。输入10000个样本对其进行测试,最终识别率为52.42%,与相同规模的网络算法仿真52.86%的识别率相近。进一步搭建了64×64×10的网络,使用1000个样本对其进行测试,所得识别率为70.5%。从电路仿真层面证明了该算法的硬件可行性。基于电路仿真的研究,对神经形态系统计算阵列进行硬件设计,探究忆阻器脉冲计算电路模型的硬件实现。使用0.5μm CMOS集成电路工艺,设计了不同规模的忆阻器交叉阵列,主要包含1T1R和1D1R这两种结构,并根据目前忆阻器生长技术,将工艺流程分为了前段设计和后道工序设计。前段设计主要包含晶体管、二极管以及交叉阵列外围电路的设计,完成了相应的版图设计成功流片并取得实物。后道工序设计主要包含后续忆阻器的集成,完成了忆阻器结构设计以及后续生长过程所需掩模版的设计与制作。这三个研究方面从网络训练与转化到神经形态系统电路仿真再到部分硬件设计,环环相扣,层层递进,证明了该模拟神经形态系统的可行性。