在当今数字化时代，数据处理和存储已经成为各个行业不可或缺的核心要素。随着信息量的增长和数据处理需求的复杂化，传统的计算系统和存储结构面临着越来越大的挑战。存内计算系统被认为是解决存储墙和功耗墙的变革性技术手段，其中，储备池计算（Reservoir Computing：RC）模型将输入信号映射到高维非线性空间，利用神经元节点抓取输入信号的特征，只需要训练输出层就可以获得满意的计算效果。因此，RC可以大大简化网络模型的训练复杂度，避免了梯度爆炸和梯度消失的问题。RC模型被认为是既节省资源又高效的计算范式，近几年得到了学术界的广泛关注和研究。储备池计算一共分为三种类型，分别是回声状态网络（Echo State Network：ESN），液体状态机（Liquid State Machine：LSM），延迟反馈储备池（Delay Feedback Reservoir：DFR）。LSM和DFR目前还没有完备的网络算法，其对硬件的稳定性和可靠性要求比较高，尚属于研究初期。相比之下，ESN算法比较完备，硬件实现相对简单，已经在图网络、时序任务处理等方面发挥了巨大的应用潜力。随着时代的发展，储备池计算系统面临着低功耗、高效率、高稳定性的需求，对硬件规模与可靠性提出了更高的要求。采用三维忆阻器实现ESN，构建3D ESN是提高算力密度的有效手段，可实现功耗低、面积效率高、稳定性高、小型化等优势，是实现未来智能终端设备的路径之一。然而，实现3D ESN的硬件原型、网络结构、优化策略目前还没有清晰的技术方案，针对该问题，本文利用高集成密度的三维阻变存储器（3D RRAM），系统研究了3D ESN的硬件实现方案，取得的成果如下：（1）针对ESN传统实现方法中硬件规模大和能耗高的问题，开发了基于3D RRAM阵列的硬件原型，利用RRAM存算一体和低功耗的特性，实现高能效的3D ESN。首先，在硬件层面，制备了四层三维垂直RRAM阵列，利用3D RRAM单元低阻态阻值的随机特性来构建3D ESN神经元节点。在算法层面，设计了多元储备池并行计算的优化方案，降低了储备池的硬件规模，并通过网格搜索算法确定最佳的储备池数量和超参数组合，提高了网络的灵活度和预测精度，提升了ESN算法的性能。然后，开展软硬件协同工作，利用3D RRAM不同层的存储阵列实现多元储备池，捕获输入信号中的不同特征，从而提高预测精度。最终，使用Mackey-Glass和太阳黑子任务，验证所构建3D ESN的预测能力。（2）针对3D RRAM保持特性退化所造成ESN精度降低的问题，提出了利用低电压区RRAM的阻值非线性特性来构建3D ESN（LV-3D ESN）的硬件实现方法。首先，研究了3D RRAM器件保持特性的失效行为，阐明了器件阻值退化源于氧离子扩散导致界面势垒降低的机理，分析了器件阻值失效对3D ESN的影响。随后，对3D RRAM器件的低电压区特性进行研究，系统分析了其阻值非线性、读干扰、保持特性和不同读电压下的阻值随机性，利用t-SNE验证了其构建ESN的能力。最后，用Mackey-Glass和太阳黑子任务将3D ESN与LV-3D ESN系统进行对比，验证了后者具备更低的运行功耗，更高的系统稳定性和可靠性。本文对传统基于RRAM构建的ESN和基于3D RRAM构建的3D ESN进行了对比分析，提出了优化的LV-3D ESN硬件实现方案。这些研究对于优化3D RRAM器件的性能和改进3D ESN算法的预测能力具有重要的参考价值，为未来实现基于3D RRAM的智能计算系统提供了新的路径。