细胞神经网络（CeNN）是一种局部互联的神经网络结构,兼具细胞自动机和人工神经网络两者的优点,具有高效的并行处理能力,而且其结构简单可靠,易于在硬件层面上实施,因此被广泛的应用于图像处理,信号处理等领域。然而,目前CeNN存在自适应模板设计不足、大规模电路实现困难等问题,难以满足复杂实时信号处理及端侧智能计算的应用。因此,本文提出了一种量化和自适应的忆阻细胞神经网络（Quantized and Adaptive memristor-based Cellular Neural Network,QA-m CeNN）,基于软硬件结合的思路引入了忆阻器这一第四类元器件作为硬件结构的实现基础,充分发挥了忆阻器的非易失性、电阻可变和纳米级属性,能够实现CeNN模板权值的自适应性调整以及在硬件层面上执行的大规模集成化、可编程化。进一步的,为了客观说明QA-m CeNN性能,本文从图像处理系统和电子鼻系统的缺陷入手,分别从边缘提取、图像分割和特征提取数据分析为应用领域进行进一步的论证,执行了大量的对比实验并针对实验结果展开定量、定性分析,客观证明了本项目方案的实际性能和对传统系统的客观改进。其中本文内容主要包括以下几个部分:首先,为了解决CeNN受限与传统CMOS工艺的问题,本文引入了新型的元器件——忆阻器,众所周知,这是一种第四类元件,因其独特的纳米级属性、电阻可变、非易失性等特点而备受关注。本文以忆阻器作为基本电路元件,分别以忆阻交叉阵列和忆阻桥电路作为实现CeNN的硬件基础,构造了忆阻细胞神经网络（Memristor-based Cellular neural network,m CeNN）。一方面,以忆阻器为基础构造的人工突触结构能实现CeNN的可编程性,为自适应性权值编程提供了实现基础;另一方面,拥有纳米级属性的CeNN能够实现大规模硬件的集成化,能够进一步地缩小电路结构的整体尺寸。基于这些特性,本文详细的介绍了m CeNN的数学模型和两种基于忆阻器的单元电路结构,对忆阻器电路的电阻计算公式和伏安特性进行了详细的推导和模拟仿真。为了设计mCeNN的模板自适应算法,并在一定程度上提升软件算法的硬件友好程度,本文设计了一种改进的结合神经网络增量式量化（INQ）的启发式优化算法,启发式优化是一种根据实际问题进行仿生的智能算法,能够通过全局搜索实现问题的最优化求解,而网络压缩则能够通过聚类、编码、量化和稀疏化等组合方案大规模的降低神经网络对设备在算力和储存层面上的严苛需求,从而提升算法在硬件层面上的友好性。一方面本文通过优化算法完成模板的权值训练,可以使模板能够根据应用特点或应用场景的不同完成自适应性的调整。另一方面,通过网络压缩方案,本文能够充分压缩网络权值,在实现模板权值自适应调整的同时,以极低的量化损失提升算法的硬件友好程度,实现软硬件的协同设计。进一步,经过了多次实验验证和结果分析,本文选择了以图像处理系统和电子鼻系统所存在的缺陷做为切入点,分别根据不同应用领域的特点,结合QAm CeNN进行了针对性的算法结合和应用验证。在图像处理系统中,我们基于QA-mCeNN设计了硬件友好的自适应图像处理（边缘提取和图像分割）方案,同时为了提升结果的稳定性和鲁棒性,并进一步提升准确度,我们在结合QA-m CeNN的基础上引入了非线性概念,实现了QA-m CeNN的非线性模板设计,从而进一步拓宽了QA-m CeNN的应用范围（有利于实现复杂图像的处理）。接下来,为了验证本文图像处理的有效性,我们分别对不同图像执行了大量的边缘提取和图像分割对比实验,并采用多种评估指标进行客观的定量分析,在不同的情况下进行了偏差性分析实验的模拟,证实了本文图像处理方案的鲁棒性、稳定性、有效性和准确性。在电子鼻系统中,为了实现一种轻量化且高准确度的气体分类方法,我们从气体传感器的选取和数据收集为起点,设计了一种新型电子鼻数据分析系统的实现方案,该方案能够结合QA-m CeNN实现硬件友好的数据集自适应特征提取,并实现分类器结构的自适应调整和训练。接下来,为了验证本文电子鼻系统的有效性,我们对同一数据集进行大量不同方法的特征提取实验和分类器对比实验,并对实验结果进行多角度分析（包括ROC曲线分析等）,证实了本文电子鼻系统在特征提取,气体数据分类的有效性能,为边缘计算和端侧智能领域的研究提供了一种新的思路。