大数据时代下,提高信号处理效率至关重要.由于传统计算架构的计算设备中存储单元和计算单元相互分离,未来将面临着计算效率的限制.基于多电导态器件的阵列电路可实现全硬件卷积神经网络(CNNs),具备提高计算效率的潜力.然而,在处理大规模卷积计算时,仍存在大量器件冗余,导致计算功耗低、计算成本高.本文创新性地提出了一种基于忆阻器的器件级原位卷积策略:以忆阻器的导电丝、掺杂面积和极化面积等的动态变化作为卷积运算过程,单个器件的电导切换所需的时间作为计算结果,通过忆阻器独特的尖峰数字信号体现卷积计算.通过忆阻器将复杂的模拟信号合理地编码为简单的数字信号,成功在单个器件上完成了卷积计算,这对于复杂信号处理和计算效率提高至关重要.在器件级原位卷积计算的基础上,本文进一步实现了盲文信号的特征识别和噪声过滤.本文所提的基于单个忆阻器的器件级原位卷积计算,将推动具有大规模卷积计算能力的复杂CNNs的构建,促进神经形态计算领域的创新和发展.