随着近些年人工智能、机器学习和深度学习技术从兴起逐渐趋于成熟,以微芯片为载体的类脑神经网络技术也受益于集成电路新工艺和设计技术的发展,在硬件结构及其相应的加速算法上不断涌现崭新的技术,从而引领着人类社会向更为智能化的未来科技时代突飞猛进。基于电子硬件实现的基本神经元及其构建的大规模人工神经网络模型可追溯到上世纪60年代,近些年由于大数据分析、智能感知、动态图像和音频识别等技术的推动,用高性能的神经网络硬件加速信息的感知、识别、分类和聚类等研究逐渐成为热点。神经网络硬件依托于高效算法实现算力提升,因此早期的神经网络专用集成芯片往往表现为基于数字架构的信号处理系统如FPGA和DSP加速器等。直至近几年,与成熟通用的数字IC相比较,模拟集成电路因其灵活的定制化、多样化拓扑实现技术使得其应用又呈抬头趋势,信号实时快速处理、低功耗和小规模架构等优秀的硬件特性使得采用模拟IC实现人工神经网络硬件的研究已成为IC设计与自动化、智能化技术交叉领域的又一研究热点。本文对人工神经元的工作特性以及电信号传输方式进行了深入分析,提出采用电流型四象限乘法器和激活函数模块构建单个人工神经元电路。针对模拟神经元功能的乘法器模块设计,采用电压输入电流输出型四象限乘法器结构,使多路突触信号可以以电流形式直接相加,通过去除加法器实现降低设计复杂度,也减少了芯片设计资源的消耗。之后,考虑不同的算法应用场景,创新提出了独特的电路拓扑设计实现了Re Lu、Sigmoid和Tanh三种常用的激活函数功能电路并加以验证。一方面是基于传统电路结构进行的改进,另一方面保证所设计的激活函数能够易于整体算法建模,同时方便与片外训练相结合。在设计过程中,为减少深层神经网络构建时由规模增加导致的版图面积暴增,所设计的两个功能电路均采用全有源MOS晶体管式的结构。本文使用Cadence IC设计平台结合SMIC 180nm/1.8V标准CMOS工艺,完成了核心的四象限乘法器以及Re Lu、Sigmoid和Tanh三种激活函数电路的设计,并对每个模块的功能实现、动态性能,以及构成多层深度神经网络后的综合信息处理特性进行了详细的仿真分析和验证。首先,确认四象限乘法器可有效实现输入电压到输出电流信号的转换以及两组输入信号的累乘。之后,比较三种激活函数电路与理想激活函数曲线的平均误差分别为0.4m V、1.2m V和2.6m V,所提出的新拓扑展现了良好的准确度及应用特性,可有效用于所构建的神经网络对求解非线性问题的算法拟合。在此基础上,构建由多个神经元组合复用的多层神经网络（感知机）电路系统,使其能够通过片外学习和训练对硬件网络中的权值、偏置值（阈值）等参数以电信号形式灵活配置,实现与通用的神经网络学习算法兼容,高效率完成在硬件上的算法部署。算法部署方面,同步使用MATLASB平台模拟所设计的多层感知机网络系统完成理想建模、算法部署和仿真验证。具体构建多层前馈式（BP）神经网络拓扑模型,之后部署误差逆传播算法进行网络训练。将基于理想训练获取的权值、偏置值等参数进一步反馈配置到所设计的硬件感知机网络中,在有效运行异或逻辑完成初步功能验证的基础上,最终实现了对标准数字图形的分类识别,整体硬件与算法协同工作训练的效果良好,理想的完成了预期功能。