在人工神经网络模型中,神经元的树突通常被建模为简单的线性结构,树突将输入信息进行加权运算后传递到神经元的输出端。然而,许多研究表明,生物神经元的树突结构的功能远远比这种简单的线性加法器复杂。大量的实验研究表明生物神经元中的树突结构包含有很强的局域非线性,突触输入可以对其邻近的突触产生非线性影响。这一特性极大地提高了局部非线性成分在神经元输出中的作用,使神经网络拥有更强的信息处理能力。本文将生物神经元中树突的非线性结构应用到人工神经网络中,研究这一结构对神经网络信息处理能力的影响。主要研究内容如下:第一,从理论层面上研究树突神经网络相对于传统神经网络的优势。首先,借鉴标准前馈型神经网络的定义,提出树突神经网络模型的数学表达。其次,通过构建法证明树突神经网络模型和传统前馈型神经网络模型都有万能近似的特性。最后,通过估算函数空间中局部线性区域的数量,研究网络模型在改变树突单元拓扑结构时模型复杂度的变化。第二,从实验层面上研究使用分段线性激活函数的树突神经网络在监督学习任务中的优势和表现特性。首先,在自然图像数据集上进行实验,结果表明,树突神经网络模型比标准前馈型神经网络有更强的拟合能力。这一点在网络模型较小的情况下表现得尤为明显。其次,在UCI数据集上进行实验,结果表明,树突神经网络的局部非线性结构能够提高模型的泛化性能,其性能优于无约束的普通神经网络模型。