忆阻器是一种阻值能随外部激励信号改变,具备非易失性的新型电子元件。由于忆阻器具有阻值可变、非易失、功耗低以及纳米级尺寸等特点,在存储、逻辑计算、神经形态计算等领域都具备非常好的应用前景。稳态可塑性来源于神经系统,是一种能够维持神经系统稳定的重要调节机制,并得到了计算机科学领域的广泛应用。本文以神经网络稳态可塑性为研究中心,针对其电路设计所面临的瓶颈问题和当前研究空白,从以下几个方面展开工作:介绍忆阻器的基本概念,并以HP忆阻器模型为例阐述了忆阻的三大本质特性。详细介绍了研究界较为认可的VTEAM忆阻器模型,并利用该模型对基于AIST的忆阻进行了建模。结合物理材料的合理性及生物忆阻的发现,将稳态可塑性机制引入忆阻器数学模型,使忆阻器阈值能够根据稳态可塑性自适应调节。将提出的通用数学模型引入三种忆阻模型,并提出了相应的SPICE模型,便于进行电路仿真。利用基于TiO₂的忆阻模型并结合CMOS器件搭建具有稳态可塑性的基本神经元电路,该神经元不仅具备神经元的累计兴奋放电的基本特性,还能够自适应调节兴奋频率使其保持在神经元固有兴奋频率范围内。在此基础上,结合上文所提出的阈值具有稳态可塑性的忆阻模型对基本神经元电路进行改进。此外,受生物神经元原型启发,将基本神经元电路改进为阈值具有双调节方式的神经元电路。对神经元电路进行了电路分析,并在PSPICE平台上验证了所提出电路的正确性及有效性。基于上述的改进神经元电路进一步构建脉冲神经网络电路,设计了网络的输入、输出神经元,权值矩阵的电路实现,以及网络的学习规则。将设计的脉冲神经网络应用至模式识别任务中,能够有效改善传统网络的过训练和欠训练等问题。通过PSPICE平台对网络进行了仿真,验证了该网络的有效性。