阻变存储器(Re RAM)具有单元结构简单、功耗低、尺寸可缩小性好、集成度高和访存速度快等突出优点,在实现高能效计算系统方面具有重要前景。然而,由于神经网络算法映射方法稀缺、电路级仿真速度慢、器件工艺不成熟影响数据准确性等问题,基于Re RAM的神经网络计算系统无法高能效实现大规模神经网络算法。针对上述问题,本文使用自上而下的研究思路,开展存算一体神经网络体系架构研究。在从算法级到结构级的设计中,本文基于矩阵-向量乘法的映射方法,提出使用Re RAM阵列进行多维卷积层运算的方法。针对如何实现完整卷积层运算的问题,提出通过模拟计算实现外围电路的方法,并提出基于正负权重的阵列接口,可降低面积代价并提升能效。在从结构级到电路级的设计中,本文通过静态工作点分析的方法简化Re RAM阵列计算的非线性方程,将阵列规模、器件工艺和神经网络架构作为可变参数,提出对Re RAM阵列计算准确度进行模拟仿真的行为级仿真模型,提升仿真速度。提出一套Re RAM神经网络计算系统的参数化结构描述方法,基于该层次化结构提出行为级仿真平台,自动优化仿真性能。在从电路级到器件级的设计中,本文在基于现场可编程门阵列(FPGA)控制的继电器矩阵测试平台下,提出利用三维MNIST手写数字的边缘检测方法进行三维阻变存储器阵列的可行性验证,为基于3D-VRRAM的存算一体三维卷积神经网络计算系统架构奠定了基础。本文研究表明,为充分发挥Re RAM神经网络计算系统在智能应用中的优势,需要进行算法与硬件的协同优化,突破计算架构的速度和能耗瓶颈,推动新一代高能效计算的发展。