随着微电子行业的快速发展,传统CMOS技术逐渐出现瓶颈,主要体现在器件尺寸趋于物理极限和过高的单位功耗导致其发展受限。因此,人们开始探索新机制、新结构、新材料器件和新型计算架构以获得更高的运算能力和更低的运算功耗。受到人脑高效运算的启发,近年来,关于人工神经形态器件和人工神经网络的研究日趋热烈,大量新型人工神经形态器件和新型神经网络结构被提出和发展,展现出出色的器件性能和对大规模数据的高效处理能力,对基于硬件的人工神经网络的研究也受到更多关注。然而,当前出现的新结构人工神经形态器件或者在对生物特性的模拟,或者在集成能力上都存在一定缺陷,限制了其在人工神经网络中的进一步运用。因此,本文首次提出了一种新型基于氧组分渐变的TaO_x人工神经形态器件结构,探讨了其设计思路和制备方法,基于北京大学微纳加工平台成熟、完备的器件制备工艺和加工经验,完成了器件制备和测试,并结合电学测试结果系统分析了其在电阻缓变、提升突触权值调控线性度、提升器件集成度等方面具备的显著优势。进而,本文针对当下基于硬件的人工神经网络研究存在的网络模拟和数据集过于简单,不能全面反映当下实际机器学习问题的复杂度、不能对器件设计提供严格指导的问题,进行了仿真探索。对利用不同器件搭建的,基于不同测试数据集的单层感知机网络、卷积神经网络和残差神经网络在解决图像识别问题上进行了系统的评估和对比。本工作指出了提高器件线性度对网络训练、测试精确度的重要作用。本工作也指出了应当采用更高复杂度的神经网络结构和数据集对器件性能进行评估,以期获得更为严格有效且有指导性的结果。