随着通用人工智能技术的发展,传统的冯·诺依曼计算架构遇到了诸多瓶颈,探索一种能够加速处理海量数据的全新计算架构成为了当今世界的一项重大课题。研究发现,受脑科学启发的类脑计算架构在高效率计算、高复杂度问题求解、低功耗计算等方面具有极大的发展潜力。而在类脑计算架构中,最为重要的组成部分便是低功耗、高性能的神经元和突触器件,此类神经形态计算器件在构建新型类脑计算芯片方面具有极大的需求。本文围绕自旋电子学器件——霍尔条（Hall-Bar）开展模拟神经突触特性的研究,结合多种神经突触算法,探索人工突触电路在模拟突触特性方面的可能性。本文的主要研究创新内容如下:（1）开展了自旋神经突触器件的性能与建模研究。基于自旋电子学相关理论设计了器件结构,制备了相应的自旋突触器件,探究了器件的突触相关特性,并在Cadence仿真环境下,首次利用Verilog-A语言建立了自旋突触器件的行为级仿真模型。（2）开展了纯硬件方式实现的脉冲时间依赖可塑性（Spike Time Dependent Plasticity,STDP）复合学习算法的研究。首次提出了关联脉冲时间、宽度和个数依赖可塑性的突触复合学习算法的实现方案,构建了复合学习算法的纯硬件电路,并且实现了模拟神经突触行为以及非监督学习等功能。（3）开展了人工突触电路存算一体化的研究。首次提出并设计了集权重存储、计算于一体的人工突触电路。相比于CMOS器件构造的突触,该突触电路具有高并行、非易失、低功耗、存算融合、集成度高等特点,并通过器件的性能测试,以及整体电路的功能测试,验证了该电路的突触可塑性。本文所提出的人工突触电路具有生物的突触可塑性,实现了突触的兴奋增强、抑制衰弱、遗忘等学习功能。并结合相应的应用场景,首次利用单个人工突触构造存算一体电路实现了移动物体个数、位移速度的计算与存储的功能。