该论文研究了多权值神经网络的理论及其应用,它分为6个部分.第一章介绍了人工神经网元的结论和工作方式,并且着重介绍了多权值神经网络结构与用于模式识别的学习算法.第二章,研究了多权值神经网络的函数逼近理论和误差分析,首先利用Riemann积分的"一致"性质讨论了具有固定的"宽度"的单隐层方向基神经网络可以逼近任意有界一致连续函数,其非线性部分参数在一次费时计算后即可确定,把逼近问题被转化为对参数的线性估计,使训练变得相对容易了.该章接着接出了一种基于多权值函数神经网络的函数逼近误差界理论,利用复值泛函逼近问题中单隐层结点的取幂函数和实值泛函逼近问题中单隐层结点的余弦函数求取了一些泛函类的误差界,发现此类神经网络结构的误差界大小以0(1/√m)数量级递减(m为单隐层中的结点数).实验结果表明对于有限带宽函数类和许瓦尔兹类等重要的泛函类也适用.基于上述结论,我们求取了对L<,2>泛函类进行任意程度逼近的误差界,并将之应用于类别划分.由于人脸位置的矫正作为人脸检测定位的一个环节,在计算机人脸识别中具有重要的意义.提出了一种基于单人脸灰度图像中眼睛定位的人脸位置矫正方法,它是针对人眼灰度变化特点、人眼几何形状特征及双眼的轴对称性而设计的.实验结果表明,该方法对于双眼可见单人脸灰度图像能实现快速有效矫正,并能在矫正结果中精确给出双眼瞳孔位置.提出的基于多权值神经网络的主元分析人脸识别方法是应用主元分析法和神经网络理论解决人脸图像输入维数较高而训练样本类型较少的人脸识别问题的一次成功尝试,达到了较高的识别率和较好的稳定性,具有一定的应用价值.