近年来,卷积神经网络作为人工智能领域的一种主要方案,已应用于机器视觉,如图像识别,图像处理等领域。随着网络功能的逐渐强大以及精度的不断提高,最新的卷积神经网络需要大量的参数和计算量。由于制造成本的增加和基础物理限制的迫近,单靠器件的扩展已经不能提供期望的性能增益,因此需要新的设备和算法。忆阻器的理论概念在2008年与物理设备相结合,一直是非冯·诺伊曼架构领域的研究热点。由于其高密度,高操作速度和低功耗的优点,忆阻器广泛的在存储、计算和类脑应用方面显示出了巨大的潜力,但在忆阻器交叉阵列中的神经网络训练的过程中,还有部分问题需要解决,即不对称性和编程位精度不稳定。当忆阻器实际用作神经网络加速器时,这些非理想特性会在训练过程中会造成严重的干扰。为了解决上述问题,本文围绕基于忆阻器的卷积神经网络的实现及其在图像识别中的应用展开研究,以忆阻器为依托,将其与卷积神经网络相结合,实现网络参数的剪枝和量化以及忆阻器的存储和计算,主要研究内容如下:（1）首先基于忆阻器的特性和卷积神经网络的传播机制,设计忆阻器权值映射模块电路。然后设计基于忆阻器的卷积神经网络运算模块电路,其包含深度可分离卷积层、全局平均池化层、全连接层、Re LU激活函数和批归一化层。（2）结合卷积神经网络的参数分布,从卷积层和全连接层两个层面对神经网络参数进行筛选,分析神经网络模型中各层对不同剪枝方法的敏感度。以此确定删除冗余权值的剪枝方案,随后谈论了两种网络再训练的方法。通过高斯混合模型-K均值聚类方法以实现参数共享,接着微调剪枝量化后剩下的连接和权值,将其映射在忆阻器上用于卷积神经网络的计算。（3）利用忆阻器阵列仿真平台以及CIFAR-10数据集对设计的忆阻器阵列加速电路进行实验验证。首先在CIFAR-10数据集上完成网络的训练及剪枝量化操作,然后利用仿真平台将权值映射到忆阻器阵列进行实验并对结果进行分析。分别从能耗、功率、延时等方面对忆阻器电路的整体性能进行分析,以充分验证基于忆阻器的卷积神经网络剪枝量化方法的可行性和有效性。