构造生物神经系统仿生模型是智能研究领域的一个重要方向。本文研究了Freeman教授提出的一套新颖嗅觉神经网络,K系列模型,及KⅢ模型在不同方面的应用。K系列模型包括KO、KⅠ、KⅡ和KⅢ模型,其中KⅢ模型对整个嗅觉神经系统进行了模拟。本文首先利用小世界网络理论对KⅢ模型的结构进行了分析。基于小波分解分析了KⅢ模型的聚类系数和特征路径长度随边的重连概率增加而变化的情况。分析表明,KⅢ模型结构具有小世界网络的部分特性。然后,本文研究了基于单一KⅢ模型的模式识别问题。基于相图的分析表明:KⅢ模型可以形成对应于不同模式的一组极限环,而不管输入是恒定的还是变化的。当输入恒定时,KⅢ模型基于一般模式识别流程被用于三种典型的模式识别应用(人脸识别、文本分类和语音识别),这时特征提取是必须的。对于人脸识别,提出了一种基于子图特征组合思想的人脸特征提取算法。实验结果表明,KⅢ模型具有很强的模式识别能力,能够识别至少40种模式。此外,对于输入变化的时变信号,KⅢ模型通过合适的切分预处理即可直接识别,而无需特征提取过程。通过定义相应的指标,将KⅢ模型用于识别两种时变信号:脑电和语音。实验结果表明,KⅢ模型能够有效识别不同的时变信号。通过这些不同的应用也可以看出,KⅢ模型具有成为通用分类器的潜力。接着,本文研究了结合直推式信任机器的KⅢ模型,并将其用于两种应用(脑电分类和基于电子鼻采集的气体分类)分析其性能。实验结果表明,和单一KⅢ模型相比,结合直推式信任机器的KⅢ模型能够在不降低识别精确度的情况下,同时给出预测的置信度。最后,提出了一种用于生成纹理图像的简化嗅觉仿生模型。和基于BP算法的前馈网络相比,提出的简化模型生成纹理图像的效率更高,所生成的纹理图像也更加丰富和美观。实验也表明,模型引入的噪声能够提高纹理图像的质量。