随着影像学及相关技术的不断发展,数字图像技术已广泛应用于人类生产及生活的各个方面。伴随着科技的进步,需要处理的图像数量日益增加并且对其质量的要求不断提高,由此对数字图像处理技术提出了更高的要求。因此,具备并行计算特性的神经形态系统备受科研工作者的关注。而目前半导体、晶体管体积不能进一步缩小等因素,限制了与电子电路技术密切相关的神经形态系统的研究与发展。幸运的是,可用于模拟神经元间突触的纳米级尺寸忆阻器的出现,实现了忆阻神经网络的构建,从而实现更多人脑的功能,为忆阻神经网络用于图像处理奠定了基础。本文研究内容是分析研究忆阻器的特性,并与神经网络建立联系,分别设计忆阻脉冲神经网络与忆阻Chebyshev神经网络用于图像去噪,最后将两种新型的去噪方法用于油田管道图像去噪。具体的研究内容如下:首先基于忆阻器的理论,介绍了惠普(Hewlett-Packard,HP)忆阻器模型、阈值自适应忆阻器模型以及磁控忆阻器模型,对其开展了理论研究与MATLAB仿真实验工作,并重点对电压阈值自适应忆阻器模型以及初始状态非零的磁控忆阻器模型进行分析,说明了忆阻器可充当神经网络的突触部分以及忆阻器可实现生物的脉冲时间依赖的可塑性(Spike-Time-Dependent Plasticity,STDP)特性。其次,本文将电压阈值自适应忆阻器与脉冲神经网络(Pulse Coupled Neural Network,PCNN)模型进行结合,提出了忆阻脉冲神经网络(Memristive Pulse Coupled Neural Network,MPCNN)模型。该神经网络的连接强度由忆阻器的总输出决定,实现神经元间的连接强度可随外部输入改变而自适应动态变化,进一步提出了基于该模型的图像去噪算法。利用磁控忆阻器突触与Chebyshev神经网络相结合,设计了忆阻Chebyshev神经网络,对含有高斯噪声图像进行降噪,并用MATLAB软件进行仿真,利用峰值信噪比(Peak Signal to Noise Ratio,PSNR)与结构相似度指标(Structural Similarity,SSIM)两种衡量指标验证了该去噪算法的可行性与优越性。最后,将以上的两种新型忆阻神经网络去噪算法用于油田管道图像去噪,并从主观与客观两方面对仿真结果进行了评价,证明了本文提出的方法具有良好的去噪效果。