随着信息量的急剧增长和信息处理要求的不断提高,人们迫切需要更加智能化和微型化的信息处理系统,因此具有并行计算优势的神经形态系统受到极大的关注。由于现有的半导体晶体管的尺寸无法进一步缩小,这使得与电子技术密切相关的神经形态系统的研究受到严重限制。忆阻器具有类似于人类大脑的“记忆”功能,其纳米级尺寸和非易失性存储的特性,有望彻底改变现有的信息处理方式。本文将忆阻器应用到神经网络系统中,提出新一代的忆阻神经网络,该网络能有效改善传统神经网络电路复杂、不易集成的缺点,在降低能耗方面也表现出强大的潜力。被认为是天然电子突触的忆阻器,能够在仿生系统里得到完美应用,让忆阻神经网络变得更加的灵活。本文深入研究了忆阻器特性,并在此基础上来构建新型忆阻神经网络电路。讨论了纯忆阻逻辑电路,并构建了忆阻数字逻辑器件;将忆阻器和neuMOS晶体管相结合,提出了新型忆阻离散Hopfield神经网络,并研究了其在彩色数字图像恢复中的应用;构建了一种参数自适应的新型忆阻脉冲耦合神经网络,并提出了一种图像增强自适应算法。具体来说,本文内容主要分为四个部分,如下所示:首先,本文重点讨论了经典的惠普忆阻器模型和阈值自适应模型,探讨了忆阻值与电荷、磁通量三者之间的关系。利用SPICE仿真验证了该模型的忆阻特性,并重点研究了该模型的阈值特性和突触特性,为忆阻器后续应用研究提供良好的理论参考和实验依据。然后,本文基于惠普忆阻器的逻辑计算能力和信息存储特性,设计了纯忆阻逻辑电路。不同于传统的忆阻逻辑电路,本文提出的电路用电压来直接表示逻辑状态,更加直观方便。相比于晶体管逻辑电路,则在电路复杂程度上有明显的改善。在此基础上,本文构建了忆阻编码器和忆阻译码器,仿真验证了其逻辑的正确性。该方案推进忆阻器在数字电路中的应用,为优化逻辑器件提供了新的思路。其次,利用神经元晶体管的加权求和特性以及阈值可控功能,结合忆阻器的突触特性,提出了一种全新的忆阻Hopfield神经网络,并将其运用在联想记忆和彩色数字图像恢复中。该网络仅由neuMOS、忆阻器和普通电阻构成,能够完全模拟神经元信息传导过程,相比传统电路,省去了复杂的差分运算电路以及电流与电压信号的转换电路,电路结构简单,可用于大规模集成。同时,该网络还具有能耗低、阈值动态可控、权值可编程的优点。可见,该方案不仅极大地简化网络结构,还能加强网络性能,有助于促进人工神经形态系统的硬件实现。最后,本文将忆阻器和传统PCNN模型相结合,提出了一种基于阈值自适应忆阻器的M-PCNN神经元模型。模型中用忆阻器电路的输出来模拟神经元间的连接强度,实现实际情况中神经元间的连接强度随外部刺激自适应动态变化的过程。这种全新的神经元模型扩展了神经网络的动态特性,为参数自适应神经网络的发展提供了一个新的思路。进一步,本文提出了一种基于M-PCNN神经元模型的自适应图像增强算法,从人眼视觉主观特性和客观性能评价指标两方面证明了该算法的优越性。该算法能突出图像局部细节,明暗对比更显著,为进一步促进神经网络在图像处理中的应用和发展奠定了基础。