联想记忆网络是神经网络的一个分支,它具有良好的容错性,能够使这完整的、污损的、畸变的输入成本恢复成完整的原形,因而可适用于识别,分类等用途.在该文的第一部分,分析和讨论了几种同步和异步神经网络的动力学性质,比较了它们的容错性,储存容量,吸引域的大小与形态,以及对角项对收敛性的影响;并且考察了训练算法对联想记忆性能的提高.为了更好的抑制伪吸引子的产生,进一步提高神经网络的联想记忆功能,在异步最陡下降网络的演化规则中引入隧穿演化规则.分别在低维(N=14)和高维(N=64)的神经网络中的数值模拟结果都表明,隧穿演化规则可以在保证网络具有较高的储存容量的同时获得更好的容错性能.对神经网络的训练算法也作了适当的调整.生物DNA序列中的启动子在转录过程中具有重要的作用,对其进行预测与识别是生物信息学的一个重要领域.该文的第二部分对启动子的识别作了仔细的论述和研究.首先介绍了启动子的生物背景.然后结合信息理论,利用多项式分布对保守串的识别作了理论上的分析和讨论?严格地获得了对随机序列进行保守串预测的解析的结果.进一步阐述了权重矩阵和神经网络这两种主要的启动子识别方法在原核与真核DNA序列中的应用,比较了不同的权重定义方案,并具体的设计了一种利用权矩阵预测真核聚合酶Ⅱ型启动子的算法.通过引入起始子保守串且限定它与TATA框的距离,新方案比单纯利用TATA框保守串具有更低的误识率.把核算法与九种其它的算法作了比较,分析讨论了数值计算结果,并对该领域的发展方向作了评论.