形态学联想记忆和传统的联想记忆相比有很多优点,如不仅能处理二值模式还能处理实值模式,良好的抗膨胀噪声或腐蚀噪声的性能,对于自联想无限的存储能力,一步回忆记忆等。当然,也存在一些问题,如对于混合噪声的鲁棒性较差,只能实现一对一的模式联想,不能实现一对多的联想等,因而,还存在一定的研究空间。本文主要针对提高形态学联想记忆抗混合噪声性能的问题进行研究,从对偶核和模块化的角度来提高形态学联想记忆的抗噪声能力。过去,为了改善形态学联想记忆的抗噪声性能,人们提出了核方法,虽然能收到一定效果,但如何寻找核却是十分困难的。人们还提出了模块化的思想,企图利用噪声的不均匀性来提高形态学联想记忆的鲁棒性。这种思想是可采纳的,然而尚缺乏具体的算法和步骤。针对上述不足,本文首先利用形态学联想记忆W良好的抗腐蚀性和M良好的抗膨胀性,提出了对偶核的概念和方法,将核及其对偶核二者结合起来,以使异联想形态学记忆达到更好的效果。文中对对偶核需要满足的条件进行了界定,对其性质进行了研究,找到了一种加速寻找对偶核的方法,并在尺度空间下对对偶核概念作了进一步的扩充,扩大了其应用范围,增强了其实用性。通过数字和彩色图像的仿真实例验证了对偶核在抗随机噪声方面有良好的性能。此外,探讨了用模式的模块化来提高形态学联想记忆抗随机噪声能力,研究了模式分割和整合的行列分割方法和棋盘分割方法,提出了行列模块化和棋盘模块化形态学联想记忆算法步骤,对构建记忆矩阵过程和回忆阶段的处理过程作了详尽的描述。另外,将行列模块化的方法和投票矩阵相结合,提出了基于投票矩阵的行列模块化联想记忆模型,描述了其处理过程。这种方法将大模式分割成一个一个的小模式,可以避免寻找核及对偶核的繁琐过程,回忆阶段通过索引定位的方法来提高联想记忆的抗噪声能力,实例验证了其可行性和有效性。为了提高模块化形态学联想记忆的速度,本文还提出了基于Cannon算法的模块化联想记忆并行处理算法,并给出了有效的设计和实现。