随着信息时代的发展,神经网络技术在越来越多的领域得到了广泛的应用。目前,随着需处理的信息量越来越大以及计算程度越来越复杂,如何提高网络训练速度并对海量数据进行高效准确处理成为神经网络算法突破的关键问题。忆阻器作为近年来十分热门的新型材料,具有非易失、密度高等存储特性,且研究发现在忆阻器的交叉阵列上可实现逻辑运算功能。本论文基于忆阻器运算和存储功能,主要以Echo State Network(ESN)为对象对逻辑网络进行建模和可行性分析。以此证明基于忆阻器的存储运算融合模块不仅可以提高神经网络的训练速度而且具有很高的应用前景。本文主要从以下三个方面开展研究:首先,研究忆阻器的存储功能和运算功能的模型设计,该设计主要针对图像数据处理,在设计中将运算模块和存储模块融合,可大幅度减少训练数据的访存操作,提高了整体神经网络的效率。其次,提出适用于图像数据预处理的基本运算单元的模型设计,并将其在Simulink平台下进行仿真分析,分别实现了基于忆阻器的3-8译码器、计数器、移位器、加法器和乘法器的仿真验证,达成预期结果。最后,为了验证提出结构和设计的正确性,以手写体数字图片识别为对象,通过设计的基本运算单元对目标图像进行卷积操作提取特征值,并采用ESN算法对特征值数据进行训练和仿真验证,与传统的BP神经网络算法进行比较,验证设计的高效性。