相变现象在自然界中普遍存在,在计算机科学和人工智能领域也是如此。现有的研究表明,相变的发生与求解问题的解的结构有着密切的关系。因此对相变现象进行研究的意义在于,其研究结果对于设计有效的求解工具和方法具有指导意义。近年受到极大关注的深度学习网络,在不同的领域都展现出令人惊讶的能力,然而如何进一步提高这些连接主义计算模型在高噪声情况下的性能,仍有很多工作有待完成。本文以深度时空网络推理网络为研究对象,针对其对不同类型噪声的反应,开展了有关相变及其应用的研究工作。我们的目的是从研究深度网络的相变现象产生机理入手,明确其定量刻画指标,从而提高深度时空网络的抗噪和容错能力,以进一步拓宽其应用领域。研究的贡献可以总结为如下三点：1、通过对深度时空推理网络进行理论分析,给出了相关相变发生的定量刻画方法。提出当聚类中心的信念值变化超过变异系数k时,这种深度学习神经网络的识别率会发生相变现象。2、从两组不同的实验出发验证上述推理的正确性。3、根据分析得到的原因,分别提出两种方法来提高深度时空推理网络的抗噪性能。第一种方法是采用传统滤波降噪的方法,对网络的聚类操作进行优化和改进。第二种方法是利用迁移学习的思想,通过深入挖掘已经得到的图像特征,利用已有的数据知识对测试数据中的聚类操作进行优化和调整,从而提高目标网络的抗噪能力。对两种优化方案进行对比,实验证明后者能够更加有效的提高网络对噪声的鲁棒性。在同等噪声程度下,深度时空推理网络的识别准确率高于其他深度学习网络。本文的研究成果,不仅有助于揭示一类连接主义计算模型中的相变的发生机制,更重要的是可以提高相关网络处理噪声的能力。