模糊神经网络及其学习算法是当前人工智能中的研究热点。本文围绕模糊联想记忆网络(FAM)的学习算法展开研究,对∨-T FAM模型的鲁棒性和容错性进行了较深入的探讨,其中V指的是模糊取大算子,T指的是T-模。本文主要工作包括：(1)基于模糊取大算子(∨)和T-的模糊合成,构建了一类模糊联想记忆网络(∨-T FAM)。利用T-模的模糊蕴涵算子,为这类∨-T FAM模型提出了学习算法。针对训练模式对小幅摄动可能对模糊神经网络的性能产生副作用,提出了一种新的∨-T FAM对训练模式对摄动的鲁棒性概念。理论研究表明当T-模满足Lipschitz条件时,采用该学习算法的∨-T FAM对训练模式对摄动幅度在系数为β(β≥1)的条件下全局拥有好的鲁棒性。最后用∨-T FAM在图像处理方面的实验验证了理论结果。(2)将上述关于∨-T FAM网络模型的学习算法进一步深入,设计了一个基于容错性的∨-T FAM学习算法。首先分析了该网络模型的稳定性,证明了该模型的平衡点是Lyapunov隐定的。接着给出了模糊模式是模型吸引子的充要条件,而且得出了吸引子的一个非退化的吸引域。最后在此基础上设计了一个有效的关于连接权值矩阵的解析学习算法,证明了在一定条件下,所讨论的模糊模式均为网络的吸引子,而且各自具有非退化的吸引域,从而此时模型具有好的容错性。