随着大数据时代的到来,智能物联网以及人工智能的快速发展和普及,基于CMOS工艺的传统的半导体器件以及相关的集成电路面临着巨大的挑战。从器件层面上来讲,当沟道长度缩小到10nm的尺度以下时,由于电子的隧穿效应,MOSFET器件的源漏两端之间的电流难以关断,导致电路的性能下降甚至是逻辑紊乱,这使得“摩尔定律”的发展面临终结;从电路架构上来讲,现有计算架构的设计基于冯诺依曼架,其重要特点是将计算单元和存储单元分离,数据在计算单元和存储单元中反复交换完成计算任务,这一传输过程大大降低了整个计算系统的实际速度以及功耗表现。这些从器件到系统的局限导致越来越多的目光投向了新的电子电路的研究。人们寄希望于这些新的电子电路可以实现更加低功耗,更加快速,低成本的目标,使之可以在一定程度上取代现有的电子系统来进一步加快各种新型应用的发展。尤其是近些年来,神经网络的快算发展对传统的计算硬件系统提出了巨大考验,传统的计算方式已然无法满足需求;尽管人们对此研发了一些针对神经网络等算法特殊优化的硬件诸如TPU,NPU,但是仍然进步有限,计算功耗较大以及速度较慢的问题仍然存在。为了解决上述的问题,研究者在1990年就开始了神经形态计算方式的研究。这种计算方式受到人脑内的神经系统的启发而设计,希望可以实现类似大脑的更加高效和更加智能的处理器。本文第一章绪论中介绍了传统的计算系统以及电子学的发展,从中讨论并引出神经形态计算的概念;并且结合算法以及硬件的特点,重点讨论神经形态计算相关研究的背景动机,研究现状以及面临的挑战,这也是本论文工作意义的主要依据。作为神经形态计算的最有潜力的器件之一,本文第二章介绍了忆阻器,以及相关工作机制和理论,并且结合我们实验室的研究经验以及数据,展开阐述样品制备的流程以及相关工艺。同时也介绍了忆阻器阵列的集成方法以及如何对忆阻器阵列进行有效的操控。接着,在本文第三章介绍了所制备忆阻器和忆阻器阵列的电学测试方法,并且表征,总结了其性能表现。然后我们用制备的忆阻器搭建了一种神经形态电路的机器人,详细的介绍对应第四章的内容。该机器人利用了忆阻神经网络作为处理器,可以有效实现从传感器到马达的实时映射,从而完成一些智能任务。由于在忆阻神经网络中突触是用忆阻器来构建,那么忆阻器的可塑性就决定了神经突触的可塑性,进一步影响网络的连接分布,进一步改变该网络的功能。在我们的实验当中,我们通过适当的方式训练网络连接权重,可以让机器人小车实现不同的功能(寻迹,避障)。此外,区别于传统的机器人,神经形态忆阻电路控制的小车从信息的感知到处理,以及做出反应的过程均是在模拟域中执行。这一特点使得整个系统的响应速度被大大缩短到约56ns,远远领先于传统的单片机控制器。在上述的研究过程中使用了基于开关控制的忆阻器阵列,但是这种方式和1T1R的忆阻器阵列相似,也面临着控制方式复杂的问题。接下来,本文第五章研究了一种新型的可重构的FET,并有望利用其来构建全局栅控的1T1R忆阻器阵列,在极大简化1T1R忆阻器阵列的操作的同时,保留1T1R阵列对忆阻器的优秀的操控性能。最后对本文所有的研究内容做了总结,并对相关领域的发展做了展望。我们介绍了忆阻神经形态的电路方面的研究主要的发展方向和挑战,以及在以下一些方向上有待去重点突破:一,多层级联忆阻神经网络;二,多传感器融合忆阻神经形态机器人。这也会成为以后阶段研究工作的重点内容。