随着深度学习技术的快速发展,人工神经网络为人们解决各类复杂问题提供了方便。其中,脉冲神经网络是将数据信息编码为脉冲信号在网络中传递的神经网络,与其它神经网络相比更具有生物合理性,在神经计算领域有很大的应用潜力。由于脉冲神经网络中有大量的神经元和突触,且该类网络的运行过程复杂,用传统器件实现的脉冲神经网络不仅尺寸大、功耗高,而且电路结构复杂,国内外对脉冲神经网络的电路实现还处于起步阶段。因此,使用尺寸和功耗等方面都具有优势的器件来实现脉冲神经网络具有很大的研究价值。忆阻器是一种新型的纳米级无源器件,具有非易失性、阻值可变性等特点,由其组成的忆阻器交叉阵列还有着集成度高、功耗低、响应迅速快等优势,在神经计算等领域中展现了突出的性能,有望用它构建大规模的神经计算系统。将忆阻器交叉阵列与脉冲神经网络相结合,能够提升脉冲神经网络对数据的处理能力,降低硬件网络系统的尺寸,为硬件实现脉冲神经网络提供了可靠的方案。本文将忆阻器交叉阵列和脉冲神经网络相结合,研究忆阻脉冲神经网络的实现方案,主要的工作如下:（1）理论分析了3种忆阻器突触电路的实现原理,包括单个忆阻器突触、双忆阻器突触、忆阻桥突触,并通过仿真实验验证了各种突触电路的特性,紧接着提出了一种适用于脉冲延时传递的多突触结构,并给出了该结构在忆阻器交叉阵列上的两种实现方式,分析了两种方式的优缺点,并对其中一种进行了仿真验证,最后说明了多个突触在忆阻器交叉阵列中的映射过程。这些工作为后文多突触脉冲神经网络的设计奠定基础。（2）对三种经典的脉冲神经元模型进行了详细的分析,并通过仿真实验对三种神经元模型的脉冲发放特性进行了验证,紧接着提出了一种基于LIF模型的脉冲神经元电路,该电路具有较好的可调性和稳定性,通过Pspice的仿真验证了所设计的脉冲神经元电路的可行性。最后基于设计的脉冲神经元电路和多突触电路,构建了一个基于忆阻交叉阵列多突触脉冲神经网络,详细介绍了网络每层的电路设计,并通过算法将该网络在软件中进行了数值模拟,完成了对数据集的识别任务,验证了该网络的可行性和有效性,为电路实现该类网络提供了思路。（3）分析了忆阻脉冲神经网络在输出神经元有少数突触失效时的精度损失情况,针对该类情况提出了一种仅对输出神经元剩余突触进行操作的网络精度补偿方法,并对该方法进行了模拟实验,通过实验结果证明了方法的可行性,为解决忆阻器交叉阵列实现脉冲神经网络时可能遇到的问题提供了参考方法。