新兴的忆阻交叉阵列由于非线性、非易失性、低功耗和高集成度等优点,在神经形态计算系统(Neuromorphic Computing Systems,NCS)中具有很好的应用前景。但是大多数大型神经网络都是稀疏的,这与忆阻阵列提供的高密度连接相矛盾;同时由于不成熟的制造工艺,目前可用的忆阻交叉阵列规模有限;且忆阻交叉阵列中存在一定比例的故障。针对上述问题,本文面向NCS提出了忆阻交叉阵列上的大规模神经网络容错映射框架,主要工作如下:(1)本文设计了一种面向基于忆阻阵列的神经形态计算系统的容错映射方法。该方法主要包括容错驱动的神经元谱聚类算法,采用0-1矩阵表示聚类神经元间的突触连接关系,通过基于海明距离的谱聚类距离定义,引导形成具有一定稀疏度的且行间海明距离最大化的神经元突触子矩阵,将容错问题转换为找到突触子矩阵和忆阻阵列矩阵之间的有效映射问题,提升通过映射阶段的列置换方法对矩阵进行重排列来避开故障忆阻器的可能性;通过基于二分匹配的启发式算法,完成神经突触矩阵到故障忆阻阵列的映射。(2)为了实现一定规模忆阻阵列下的通用性设计,本文设计了基于固定尺寸忆阻阵列的大规模容错聚类方法。该方法通过基于划分算法的容错驱动聚类方法将突触连接聚类为大小相近的集群,扩大了在可接受时间内处理的神经网络规模;通过对突触子矩阵到固定尺寸忆阻阵列映射成功概率的估计,在保证一定映射成功率的条件下最大化突触连接子矩阵,提升忆阻阵列的利用率;提出通过对半转置方法,降低非对称矩阵的行列差距,提升给定忆阻阵列可容纳的突触连接子矩阵规模,减少忆阻交叉阵列数目。最后根据聚类结果,通过蒙特卡洛方法来进行模拟。模拟结果显示,在固定故障的故障注入率一共为10.79%的情况下,FTNCS框架可以实现96.69%的映射成功率,FTDC-NCS框架的映射成功率更是达到了 99.52%,而且对于含有百万突触的大规模神经网络,相比于FTNCS,FTDC-NCS将运行时间从>6h减少到1500秒左右,同时提高了忆阻阵列的利用率。