本文综述了深度学习与神经形态硬件的多项研究：在内存计算硬件上训练ResNet并补偿批标准化，以提升PCM映射后的精度；用LSTM增强残差网络；通过软硬件协同优化模拟阻性存储的能效；综述噪声标签的噪声建模与鲁棒算法；探讨记忆化与容量、泛化及对抗鲁棒性的关系；展示离子通道储层计算的可行性；将噪声模型嵌入CNN以抗标签噪声；用元学习识别忆阻储层膜电位特征；结合对抗学习与重加权提升噪声鲁棒性；扩展DSE以量化稠密/稀疏映射及1T1R非理想因素的影响。