随着智能计算机的发展，人工神经网络理论研究得到了极大的重视，也取得了丰硕的成果，它的应用领域也越来越广泛。人们根据应用领域的不同设计了多种网络模型和算法,对传神经网络在模式分类与识别方面具有较强的能力。本文对对传神经网络(CPN Counter Propagation Network)的研究主要有三个方面：　　 第一、在竞争层使用软竞争代替“胜者全得”的竞争机制。传统CPN模型采用“胜者全得”的竞争机制，竞争层中神经元每次只有1个胜出，这个获胜的神经元影响网络的输出，其它神经元不产生任何输出。这样就浪费了大量的网络信息，而且容易形成死节点。针对传统CPN存在的问题和不足，提出改进模型及竞争层的改进算法。在竞争层使用软竞争机制得到竞争层的输出，竞争层中每一个神经元都有输出，并按照相应比例组成网络的输出，克服传统CPN使用“胜者全得”竞争机制的弊病，使竞争层中每一个神经元节点能充分发挥作用，参与网络的训练和权值的调整，提高竞争层中神经元的利用率，使网络能实现运用较少的神经元，达到比较好的性能。　　 第二、把EM算法引入CPN的训练中。在使用基于软竞争机制的CPN模型时，增加了网络的训练复杂度，网络训练与工作时间增加，速度偏慢。为此，把EM算法引入竞争算法，把竞争层中隐单元的输出作为未观察到的缺省随机变量，在CPN中实现EM算法的应用，有效地加快了CPN的训练速度。此外，在实现EM算法的M步时，根据基于软竞争机制CPN竞争层的特点，对EM算法进行改进，没有使用常用的迭代重新加权最小二乘算法，而是利用样本加权平均求取隐层单元的权值向量，使EM算法更加简单易行，收敛速度快。　　 第三、使用改进的CPN对指纹进行识别。指纹识别是目前生物识别中最热门的研究之一，为此把改进网络模型和算法应用于指纹识别中。实验结果表明，基于软竞争机制的CPN具有很好的泛化性能，特别在指纹识别上具有较好的实际应用价值。使用EM算法对基于软竞争的CPN进行训练，加快了网络的收敛速度，增强了CPN的模拟精度，提高了CPN的使用效率，网络性能得到了有效的提高。