形态学联想记忆(Morphological Associative Memories,简称MAM)是一种新型的联想记忆模型。在无噪声情形下,形态学自联想记忆(Morphologicalauto-Associative Memories,简称auto-MAM)可以存储和回忆任意多个模式对,但是,形态学异联想记忆(Morphological hetero-Associative Memories,简称hetero-MAM)却不能保证对任意一个模式对集是完全回忆。目前,对MAM的研究多侧重在将其与其它理论融合的考虑上,而对形态学异联想记忆的记忆性能,目前国内外学者少有研究,更谈不上实际应用,从而形成一个难度大、有影响的前沿课题。异联想是更为普遍的联想记忆,应用也更加广泛,因此,研究和解决形态学异联想记忆问题,具有重要的理论意义和实际价值。本文为解决这一问题而开展工作,研究的目标是:在输入完全的情况下,实现形态学异联想记忆的完全回忆记忆。　　 为解决这个问题,本文按照以下思路来展开:首先,针对形态学异联想记忆的不完美的问题,分析形态学联想记忆的记忆性能;接着,在分析的基础上设计出一个解决此问题的模型;最后,将此模型的理论应用于具体实际中。　　 在分析形态学异联想记忆的不完美性问题的过程中,本文借助于概率学知识,通过建立一个概率模型来刻画包括形态学自联想记忆的记忆性能与形态学异联想记忆的记忆性能的MAM的记忆性能。此概率模型反映了网络的输入端维数、输出端维数以及模式对数目对形态学联想记忆的记忆性能的影响趋势。随后,在结合考虑模式对中输入模式与输出模式的取值因素的定性分析过程中,本文验证了此概率模型的正确性。但是,由于模式对中输入模式与输出模式的取值的不确定性,本文指出不能单独地以网络的输入端维数或是输出端维数或是模式对数目来分析形态学联想记忆的记忆性能。　　 同时,本文明确地指出一个问题:形态学联想记忆的记忆矩阵的空间大小有限,以至于在记忆过程中不得不丢失掉某些模式对的部分乃至全部信息,从而无法保证MAM对任一模式对集是完全回忆。为了提高形态学联想记忆的记忆性能,本文从扩大记忆矩阵的空间的角度来入手,设计出一种新的形态学联想记忆——四维存储矩阵的形态学联想记忆(the Four-dimensional Storage MatrixMorphological Associative Memories,简称FSM-MAM),这种网络模型通过构建一个四维存储矩阵来代替MAM的二维记忆矩阵来存储模式对集的信息,从而在理论上,在输入完全的情形下,可以保证对任一模式对集的完全回忆。不仅如此,本文将此模型的理论应用在图像的联想识别上,详细地给出了其应用过程。最后,通过一个具体的字符图像的联想识别的仿真实验,实验结果表明,MAM无法做到对所有字符图像进行正确的联想识别,而FSM-MAM却可以做到。　　 本文所提出的FSM-MAM模型,相比于MAM模型,在同样输入完全的情形下,在并不需要任何关于模式对集中的模式对的限制条件的情形下,可以实现对任意一个模式对集的完全回忆,这表现在无论是自联想还是异联想,FSM-MAM皆是完美的。理论上的改进促使FSM-MAM在应用上具有很大的价值,本文将其应用在图像的联想识别领域,只是其应用之一。FSM-MAM模型在模拟人类的异联想记忆能力上迈进了一大步,其应用前景是巨大的。