如今,各种人工智能应用层出不穷。其中,人工神经网络是最有效的方法之一。人工神经网络的训练过程是计算密集型的,利用软件实现时难以满足低功耗、小体积的应用场景,而利用忆阻硬件实现时可以满足这样的条件。忆阻由于其纳米尺寸、非易失性、低功耗等特性,非常适合于实现人工神经网络中大量的矩阵向量乘法运算。但随机忆阻对人工神经网络的影响还未可知。本文主要研究了忆阻电导值调整的随机性对神经网络性能的影响。文章分析了忆阻随机性产生的原因,建立了合适的随机忆阻的仿真模型,介绍了基于两个晶体管和一个忆阻的多层神经网络的电路结构。通过仿真实验发现在数据集不含噪声或者噪声比较小的情况下,基于随机忆阻的多层神经网络算法在Iris数据集上有更高的分类精确度。另外,相对于不具有随机性的忆阻模型,在数据集噪声程度较低时,基于随机忆阻的多层神经网络在随机性程度较低时一般有更高的分类精确度。文章提出了基于随机忆阻的卷积神经网络电路结构,分别仿真了CIFAR-10数据集在原图像、原图像有乘性噪声、原图像有高斯噪声和原图像有污染的情况下,忆阻随机性对卷积神经网络性能的影响。实验发现,在随机性较小的情况下,卷积神经网络有更好的分类表现。本文的研究成果主要包括建立随机忆阻的数学模型,仿真随机忆阻对多层神经网络性能的影响,基于忆阻的卷积层和池化层的电路实现,仿真随机忆阻对含噪声图像分类性能的影响。本文的结果对于利用忆阻实现人工神经网络具有重要意义。