突触是神经元之间以及神经元与非神经细胞之间相互连接并进行信息传递的部位，也是人工神经网络中模拟的关键，而传统突触的模拟采用的是集成电路以及超大规模的集成电路，随着电路芯片上所集成的晶体管的数量的增加，使得人工神经网络的密度远低于生物神经网络的密度。随着第四个无源二端口元件——忆阻器的发现，其阻值的变化依赖于流过它的电荷数或磁通量，是一个具有存储和运算能力的纳米器件，则给突触的模拟提供了一种新的可能，在不久的将来，使用忆阻性突触可能实现以近似生物神经网络的密度来模拟人工神经网络，进而可以达到更高的计算能力。因此本文在分析忆阻器特性的基础上，研究了如何使用忆阻器来模拟突触，进而实现了基于忆阻器的突触可塑性的STDP学习机制。对另外两种有记忆能力的电子元件——忆容器和忆感器，也分析了它们模拟突触的可行性。本文主要从以下三个方面进行了研究：　　第一，对忆阻器的基本理论知识进行了研究，在分析惠普实验室提出的忆阻器模型的基础上，实现了忆阻器的Matlab和Simulink的仿真，忆阻器电压与电流曲线的8字形滞回曲线的出现则说明了该模型仿真的正确性，并利用这个仿真模型分析了忆阻器的相关特性。　　第二，基于所建立的忆阻器模型，将忆阻器的特性与突触的可塑性进行比较，找到它们之间的相似性，进而使用忆阻器模拟实现了突触可塑性中的STDP学习机制，理论较为简单，易于理解和实现，相关的试验结果也验证了忆阻性突触实现的可行性。　　第三，研究了忆容器和忆感器的基本理论，将这两种跟忆阻器一样有记忆能力的电子元件，同样使用Matlab和Simulink实现了它们的建模仿真，实验结果中磁滞回环曲线的出现则证明了建模仿真的正确性，并探讨了它们在模拟突触方面的潜在价值，相关的试验也证明了它们是很好的模拟突触的选择。