人工智能的发展取决于算法的创新、有效数据的积累和算力的增强,基于忆阻器的神经形态计算有望打破冯·诺依曼瓶颈从而增强计算机的算力。近年来,易失性忆阻器和非易失性忆阻器在神经形态计算中模拟神经元和突触常有报道,但鲜有报道将忆阻器的易失性与非易失性结合模拟突触的应用研究。忆阻器的非易失性和易失性能够很好地模拟大脑突触的记忆和遗忘特性,将忆阻器的这两种特性结合模拟突触并进行神经形态计算应用研究有望提高人工突触的生物合理性和能效,对人工智能的发展具有重要意义。本研究首先设计了一种基于易失性忆阻器和非易失性忆阻器的脉冲神经网络算法,该算法利用易失性忆阻器电导自发衰减的特性对网络进行训练,减少了对忆阻器的操作次数,之后利用非易失性忆阻器阵列进行权重转移完成网络的推断。通过Python搭建脉冲神经网络模型,对MNIST数据集进行仿真识别验证算法的可行性。随后,研究了该算法对各类影响因素的鲁棒性,包括易失性忆阻器的器件遗忘率、器件初始电导态,非易失性忆阻器的器件非线性、器件错误、器件电导态数量以及图像噪声。仿真结果表明器件错误对该算法的分类性能影响较大,但该算法对器件遗忘率、器件初始电导态、器件非线性、器件电导态数量和噪声都有很强的容忍性。最后,从人工智能的数据积累角度出发,基于忆阻器易失性到非易失性的转换设计了一种特征选择的硬件实现算法。利用前面设计的脉冲神经网络算法和新搭建的三层感知机反向传播算法对特征子集进行评估,并与经典的基于搜索策略的特征选择方法进行对比,结果表明所提算法在牺牲很小的网络识别率下,使训练所用特征数减少约一半,降低了网络训练的复杂度。本研究整体基于忆阻器易失性与非易失性结合而展开,为忆阻器的高效应用打开了新的思路,同时对神经形态计算及特征选择的硬件实现具有启发意义。