由于忆阻器能够在同一器件单元进行数据处理和存储,基于忆阻器的神经网络硬件加速器获得了广泛的关注。而忆阻器器件特性在热效应影响下会发生严重的退化,这将对忆阻器神经网络硬件加速器计算性能产生严重影响,越来越多的权重在推理的过程中被错误表示,使神经网络失去准确性。本文研究了温度对基于忆阻器的神经网络结构的影响,并展示了温度变化如何对计算精度产生影响。还提出一种热效应的快速评估模型,可以快速得到温度分布,并利用有效的映射算法防止有效权重映射到热单元,实现精度的提升。主要完成的研究工作如下:（1）以多层感知机（Multi-layer Perception,MLP）神经网络为研究对象,设计一种优化的算法,为后续的映射算法奠定理论基础。在仿真实验中,基于忆阻器结构实现MLP的网络模型结构,在忆阻器上实现神经网络的在线和离线训练过程,并根据MNIST数据集得到其精度结果。（2）为了能快速得到温度分布,设计一种快速热效应评估模型,基于信号与系统的基本原理得到实际的温度分布,建立计算模型,根据脉冲温度分布和功率间的卷积能够快速并精确的由热源和功率求得温度矩阵。针对忆阻器的热影响进行评估,将热影响添加进网络模型中,研究温度对基于忆阻器的神经形态结构的影响,并展示温度变化对计算精度的负面影响。利用此模型在离线训练的过程中求得基于忆阻器的实际温度分布,同时也将实际的温度分布添加进网络结构中,并找到两层神经网络MLP的精度变化趋势。（3）研究加速器中不同神经网络层的温度升高对计算精度的影响,并提出新的映射方法,即交换忆阻器阵列上的行,将原本温度较低的阵列单元行数据插入到温度较高的阵列单元行之间,以便降低整体的温度影响,从而降低温度所带来的精度损失。利用算法进行仿真实验实现以上操作,防止有效权重映射到热单元上。将温度感知的神经网络权重映射方案应用于最敏感的温度层。最后在仿真平台上实现了精度的提升,可以使离线训练的精度提高30%左右。