随着数据量的爆炸式增长及神经网络深度的不断增加,传统芯片越来越难以满足深度学习系统对算力的需求。类脑计算通过设计高效的人工突触与人工神经元直接构建硬件神经网络,从而克服传统计算机冯·诺依曼架构中存储与计算分离的瓶颈问题。然而,目前类脑计算研究主要集中在传统的确定性计算领域,缺乏对于神经网络输出结果不确定性的量化评估。通过在神经元或突触中引入随机性,概率类脑计算能够依据贝叶斯定理准确量化神经网络预测结果的不确定性。忆阻器在阻变过程中体现出本征的随机性,并具有低功耗、高速度、高集成度、存算一体等优点,非常契合概率类脑计算对器件的需求。本文主要针对忆阻神经网络输出结果的不确定性量化问题,通过制备不同电学特性的阈值开关忆阻器（Threshold Switching Memristor,TSM）,并利用TSM器件本征的随机性构建随机神经元与随机突触,实现概率神经网络及贝叶斯推断,系统开展概率类脑计算的研究。主要的研究成果如下:首先基于Ge Tex、Cu S/Ge Se、VOx三种功能层材料设计并制备了双向阈值开关、导电桥阈值开关、金属绝缘体转变三种不同类型的TSM器件,通过基本电学性能测试研究了三种器件的开关特性与可靠性。其次从概率脉冲神经网络（Spiking Neural Network,SNN）中神经元随机激发的特性出发,设计了基于TSM器件阈值电压随机性的随机神经元电路。所制备的三种TSM器件中Ti W/Cu S/Ge Se/Pt导电桥阈值开关忆阻器的阈值电压Vth分布的变化幅度达到0.34 V,标准差达到0.076 V,并且Vth的变化与循环次数不相关,最符合随机神经元的要求,因此选择了Ti W/Cu S/Ge Se/Pt器件来制备随机神经元。通过物理建模证明了器件电导调制的过程中由温度导致的热噪声是随机阈值开关行为的物理根源,并实际搭建了满足概率SNN中激发概率与膜电位关系的随机神经元电路。然后聚焦于利用随机神经元的动态激发特性来量化神经网络的不确定性,针对乳腺癌诊断任务,设计并仿真了基于Ti W/Cu S/Ge Se/Pt随机神经元的概率SNN,达到了97.0%的高诊断准确率,并得到了肿瘤数据的分类概率。使用预测熵量化了网络预测结果的不确定性,并通过对预测熵设定0.2的阈值,完全避免了恶性肿瘤被诊断为良性肿瘤的严重错误。接下来从使用Dropconnect的贝叶斯神经网络中突触随机有效/失效的特性出发,设计了基于TSM器件开启延时随机性的随机突触电路。通过在1T1R单元中晶体管的栅极串联TSM器件,使得忆阻神经网络具备突触随机有效/失效的功能。基于高开关速度与高可靠性的需求选择了W/Ge Tex/W器件制备随机突触,并在亚阈值脉冲操作条件下获得了充足的器件开启随机性。通过电路仿真验证了基于W/Ge Tex/W器件的1T1R单元的随机失效特性,并实际搭建了满足Dropconnect功能要求的随机突触单元。最后聚焦于利用突触的随机有效/失效特性来量化神经网络的不确定性,针对新冠肺炎诊断任务,设计并仿真了具有特征提取与贝叶斯分类两个部分的神经网络。设计了基于TSM器件的1T2R单元来准确映射随机突触的正负权重,代入Ti N/Li Al Ox/Pt非易失忆阻器与W/Ge Tex/W双向阈值开关忆阻器的实际参数,忆阻贝叶斯神经网络达到了95%以上的诊断准确率。使用预测熵量化了网络预测结果的不确定性,以预测熵0.3为阈值,将突触失效概率为0.46的网络的分类准确率提升到了99.02%,验证了忆阻贝叶斯神经网络不确定性量化能力的有效性。本文主要对TSM器件的内在随机性及其在类脑概率计算中的应用做出了探索性研究,遵循自顶而下的研究思路,从顶层应用出发,厘清具备概率计算能力的神经网络对于随机神经元、突触的功能要求,设计了相应的单元结构与硬件方案,实现了概率神经网络并解决了医疗诊断任务中的不确定性量化问题。