联想记忆是人类脑细胞的重要功能之一,人工神经网络的一个很重要的方面就是模拟人类的联想记忆功能。20世纪末,G.X.Ritter等人提出的形态联想记忆网络是一种较为有效的联想记忆方法,克服了经典联想记忆网络样本存储能力有限、联想记忆需要多次迭代等缺陷,而且对含单一噪声的二值图像进行联想记忆运算时,有较好抗噪能力,但它几乎没有抗随机噪声的能力。形态联想记忆网络及其各种改进型网络在处理模糊性解释的问题上无能为力,为此B.Kosko提出了模糊联想记忆,解决了网络模糊性解释的问题,然而这种网络的存储能力极为微弱。一些学者将形态学和模糊联想记忆网络相结合得到了模糊形态联想记忆网络,较好的解决了存储能力微弱的缺陷,而且还具有很强的抗单一噪声能力,可它对随机噪声几乎没有任何抑制性,这一缺陷限制了该网络的应用。本文主要做了两方面的工作,一是将尺度空间和形态联想记忆网络结合得到一种新的网络,对输入模式进行一定尺度下的腐蚀/膨胀操作,构造出相应的腐蚀/膨胀存储矩阵,然后再进行联想记忆运算,结果表明它也具有优越的抗膨胀噪声或者腐蚀噪声的能力,同时对随机噪声有一定的鲁棒性,而且推广到了对灰度图的处理,使得网络具有了一定的抗随机噪声能力。另一个是尺度空间和模糊形态联想记忆网络的结合,即基于尺度空间的模糊形态联想记忆网络,这一新的方法保持了模糊形态联想记忆网络的优点,即:具有优越的抗单一噪声能力和模糊性解释能力,而且还对二值图和灰度图的含随机噪声输入有了一定的抑制。我们通过大量的仿真试验验证了上述结论。