论文在简要介绍了关于模式识别的定义和研究的内容,并概述了模式识别目前所有的 研究方法和现状的基础上,重点进行了人工神经网络方法和光学相关模式识别的融合研究.论文对两种方法的原理的模型做了阐述和深入的分析,旨在将两个领域地概念和方法结合以期解决实际模式识别应用所面临的两个难题:任意畸变不变性识别问题和大数量模式的分类问题.论文第一章对自动模式识别的定义,研究的内容、意义和作用做了概述.第二章对光学相关模式识别的基本原理,实现方法以及其目前所研究的主要问题做了简单介绍,重点阐述了综合滤波器的发展过程及其在应用中的困难.第三章介绍了人工神经网络的最基本的概念,重点描述了简单感知机模型的结构及其线性分类能力,在此基础上创新性地将光学相关结构与简单感知机进行了类比,指出光学相关器等效于单层感知机,从而得出光学相关器只具有线性可分能力的结论,并指出这正是其应用于不变性识别问题的局限性的真正原因.论文第四章主要阐述了图像处理在模式识别中的地位和作用,结合在论文实验工作过程中涉及到的图像处理问题,对数据压缩,二值化,目标定位及图像分割的方法和技巧做简要的介绍.第五章是关于实用多目标不变性实时识别的方法和实验研究的.研究的问题包括基于级联神经网络模型的畸变有变性识别算法、图像预处理方法和光学计算系统的设计.第六章将神经网络的聚类编码算法和多目标的多通道光学相关模式识别方法结合起来,提出了一种采用编码神经网络实现大数量模式分类的有效算法.