联想记忆是神经网络理论的一个重要组成部分，也是神经网络用于智能控制、模式识别与人工智能等领域的一个重要功能。它主要利用神经网络的良好容错性，能使不完整的、污损的、畸变的输入样本恢复成完整的原型，适于识别、分类等用途。但传统联想记忆网络的全连接结构并没有很好的代表生物神经系统的特性，同时在VLSI实现上也是不可行的，而且全连接的特性会导致大量伪状态的出现。因此建立一个具有稀疏拓扑连接结构的网络来完成联想记忆的功能具有重要意义。本文主要研究内容如下： 传统联想记忆网络相关研究。对离散Hopfield网络和连续Hopfield网络这两种网络进行了分析总结，给出了传统联想记忆网络存在的主要问题，以及针对这些问题国内外的研究进展。 复杂网络相关研究。介绍了复杂网络的相关研究历程和重要概念，总结了复杂网络中几个经典网络的相关研究，包括小世界网络和无标度网络，最后分析了复杂网络当前研究进展，包括最新模型和应用领域。 基于复杂网络的新型联想记忆网络。即出于降低连接复杂度的目的，同时根据生物学中神经系统中复杂网络特性的发现，基于Watts-Strogatz小世界模型建立具有复杂网络特性的新型联想记忆网络，期望该新型网络能在整体连接数较少的情况下使得网络仍然有良好的记忆回想能力，同时由于连接数的减少，希望可以减少伪状态的数量。并通过交通标志图像等实验检验了模型的效果，这种网络在连接数非常少的情况下确实能够完成联想记忆功能，而且与其它具有稀疏拓扑连接结构的网络相比，例如随机连接网络和规则连接网络，也有一定的优势。