本文主要包含三个部分：第一部分为介绍传统模式识别及人工神经网络基本理论和发展状况；第二部分阐述蒙特卡罗随机变异-优化选择规则及其在多层前馈网络和Hopfield单层反馈网络中的应用；第三部分介绍一种新的人工设计逻辑体系——转导推理。　　 本文的主要工作集中在第二部分。我们首先介绍了人工神经网络设计的“蒙特卡罗随机变异-优化选择规则”，并讨论了如何应用这一方法设计用于时间序列预测的人工神经网络。以设计时间序列预测的多层前馈网络为例，我们详细说明如何在具体问题中实现最小化系统风险的目标，讨论通过测量系统风险寻找最优参数约束条件的具体做法。对我国铁路货运量预测的应用实例表明，与一些典型的传统设计方法比较，网络的泛化能力明显提高，并有效抑制了过学习现象。然后我们讨论了如何利用随机变异-优化选择规则设计用于模式识别的单层反馈网络。我们把记忆模式设计成为反馈网络的吸引子，通过控制吸引域的大小控制网络的泛化能力，充分发掘反馈网络的优越性。对人脸表情识别的试验实例表明，反馈网络用于模式识别具有潜力。同时我们还讨论了所设计的反馈网络参数空间的三个动力学相区：混沌相、记忆相和混合相，并指出了它们可能的实用意义。　　 转导推理是一种全新的推论理论设想，目前还没有受到足够的重视。该理论摆脱传统的归纳-演绎推理两步走的思想，直接实现从特殊向特殊的推理过程，避免了进行一般性归纳推理这一不适定的环节。事实证明：通过设置并求解要求较低的问题，转导推理可以得到更具有实用价值的解，特别在特殊人群的识别方面。