人工神经网络是人工智能研究领域的重要分支之一，在控制、预测、优化、系统辨识、信号处理和模式识别等方面有广泛的应用。本文分析和研究了几类主要的神经网络模型：进化神经网络、Integrate-and-Fire神经网络以及细胞神经网络，并将其应用于函数逼近、模式识别、数据分类和图像处理。论文的主要研究工作可概括为以下几个方面：1．对无约束全局优化问题，分别将高斯变异和正交杂交用于差分进化算法的变异算子和杂交算子中，给出了一种插值局部搜索算子，提出了嵌入正交杂交和局部搜索的差分进化算法。对20个标准测试函数作了数值实验。与文献中其它差分进化算法的比较结果表明了算法的有效性。由预估-校正法确定前馈神经网络结构的情况下，将改进的差分进化算法和Levenberg-Marquardt （LM）算法相结合，提出了一种混合训练算法，优化前馈神经网络的权值和阈值。将该进化神经网络应用于函数逼近、模式分类和识别问题。2．对同时含有二进制变量和实数变量的非线性优化问题，采用二进制和实数混合编码，在差分进化变异算子中引入异或逻辑运算处理二进制变量，将正交杂交引入到杂交算子中，提出了一种协同二进制—实数差分进化算法。对该算法作了大量的数值测试，并与文献中已有的进化算法作了比较，结果表明了该算法性能优良。将改进的协同二进制—实数差分进化算法和尺度化共轭梯度反向传播算法相结合，构成两阶段训练算法，同时优化前馈神经网络的结构和权值。将该进化神经网络应用于函数逼近和模式分类问题。3．对含有二进制变量和整数变量的非线性离散优化问题，采用二进制和整数混合编码，分别将异或逻辑运算和正交杂交引入到离散差分进化算法的变异算子和杂交算子中，提出了一种协同二进制—整数差分进化算法，对该算法作了大量的数值测试，并与文献中已有算法作了比较，结果表明了该算法的有效性。采用协同二进制—整数差分进化算法，同时进化前馈神经网络的结构和整数权值。将该进化神经网络应用于函数逼近和模式分类问题。4．针对Lapicque提出的Integrate-and-Fire（IF）模型，给出了一种新的侧抑制连接的IF网络模型，并讨论了其输入—输出关系。与以往的IF模型相比，此模型的活动方程被大大简化了。其运行结果很好地拟合了神经细胞的生理特性，尤其是该模型较好地匹配了突触连接的非线性特性。对其点火机制进行了改进，采用异步点火法，这使得网络的适应性有了很大的提高。讨论了指数衰减阈值对高斯白噪声刺激下的IF神经元的影响，主要研究了对点火脉冲时间间隔的均值和标准差的影响。结果显示当阈值衰减缓慢时，不论神经元的点火频率何时与衰减频率相当，脉冲时间间隔的变化系数都能达到最小值。通过改变噪声强度或者输入电流而改变点火频率也可以产生同样的影响。分析了在神经元点火后重新设置膜电位所引起的误差。5．提出了一种具有经典条件反射行为的认知模型，该模型以IF神经元为基本元素，互联形成具有反射弧结构的神经网络，能充分表现经典条件反射对时间的依赖性。计算机仿真显示IF模型能成功地模拟习得、遗忘、刺激间隔效应、阻止和二阶条件反射等现象。6.提出了一种具有暂态混沌的细胞神经网络，该网络是利用欧拉算法将模型的状态方程转化为离散形式，并引入一项负的自反馈而形成的。对单个神经元的仿真发现该模型具有分叉和混沌的特性。在函数优化中，该网络首先经过一个倍周期倒分叉过程进行混沌搜索，然后进行类似Hopfield网络的梯度搜索。由于它利用了混沌搜索固有的随机性和轨道遍历性，因而具有较强的全局寻优的能力。用两个函数优化的例子验证了这种网络的有效性。