近些年随着互联网技术的成熟,如人脸识别,语音识别等深度学习技术也飞速发展,这些新技术的应用需要大量的数据集进行训练学习,并且其模型结构十分复杂,参数量特别庞大。而传统计算机中存储器和处理器分离的冯诺依曼架构,不仅会带来占比最大的访问功耗,还会带来与处理器算力不匹配的计算延迟问题,已经不再适合大量数据来回传输的深度学习任务。上世纪80年代,加州理工大学的Carver Mead教授就提出了神经形态电子系统和计算的概念,即通过大规模的模拟集成电路来模拟生物神经网络中的结构和功能,最终将人脑的计算能力复刻到固态电子计算平台上。这种神经形态电子系统就包含了人工神经网络,通过人工神经网络的并行计算、高度连接的特点,对生物神经网络的具体功能进行模拟。在人工神经网络硬件实现方面,忆阻器具有巨大的优势,不同类型的忆阻器具备不同的特性,其中有些忆阻器具有多个可区分状态数、较低的切换能量和超长的保持时间等特性,可以作为非易失存储器,另一部分则具有丰富的动力学特性,比如负微分电阻、混沌和短时程等特性,可以用来实现更加丰富的神经形态计算应用。因此,在面向人工神经网络的计算平台作比较时,忆阻器无论是在面积上,还是在功耗上,都具有明显的优势。本论文主要研究工作如下:一、制备NbOx忆阻器。将NbOx作为阻变材料用作忆阻器的功能层,通过电子束蒸发,直流反应溅射,光刻技术和剥离工艺等方式制备Pt/Ti/NbOx/Pt/Ti结构的忆阻器,通过改变制备的条件（如:氧气和氩气的流量比例）,发现不同条件制备的NbOx忆阻器具有不同的忆阻效应。由此对器件电学特性和物理机制进行了探究,首先通过SEM、XPS和TEM的测试,对器件进行微观表征,接着通过对器件电学特性进行测试,例如IV特性,开关速度等,最终发现器件的忆阻效应会随着NbOx功能层中的氧铌元素的不同占比而变化。二、基于NbOx忆阻器的dropout神经元单元的研究。研究制备的NbOx忆阻器,发现该器件表现出随机低电阻状态和易失性电阻切换行为,通过将易失性忆阻器连接到设有特定值的比较器上,来实现dropout功能。每当记忆器件的电流达到设定值,比较器就会随机触发神经元单元。为了验证神经网络的分类精度,模拟构建了可调概率dropout神经元单元的神经网络,并在少量训练样本的情况下,分别在MNIST和Fashion MNIST两种数据集中进行了测试。最终结果表明,dropout神经网络不仅可以缓解网络的过拟合问题,还可以提高神经网络的分类精度。三、基于NbOx忆阻效应的人工突触的研究。通过改变器件的制备条件,即氧气和氩气的流量配比,器件显示出了非易失的电阻开关特性。经过测试分析,器件电导的随机性轻微且可控。由此,将器件作为非理想突触,在人工神经网络中提供一种可控的随机扰动,目的是解决网络测试中的局部最优解的问题,实现更高的分类精度。同样模拟构建基于氧化铌非理想突触的神经网络,在MNIST和Fashion MNIST数据集中验证网络性能,结果显示神经网络的分类精度得到提升,证明将具有可控的随机电导的NbOx忆阻器作为突触应用到人工神经网络中,对于跳出局部最优解是有很大的帮助的。