神经网络分类器在实践过程中拥有良好的性能，易于实现，对各种类型的数据拥有良好的适应能力。以神经网络科学研究成果为基础发展起来的协同神经网络模型，反映出人脑功能的若干种基本特性，开拓了神经网络在计算机中的新用途。本文研究了协同学原理在神经网络分类器中的应用，其内容主要集中于协同模式识别中原型模式向量求解算法、协同神经网络分类器设计及人脸分类系统验证模型可行性三个方面。通过对当前已有的神经网络分类器的综合分析和比较，结合各自优缺点以及协同神经网络的具体特征，提出将协同学原理应用于神经网络分类器中的构想。首先，论文介绍了协同学的相关概念及协同神经网络的总体结构，为课题后续研究提供了理论基础。其次，本文着重探讨了模式识别中的核心技术，即原型模式向量选取算法，通过对四种不同求解算法的分析和比较，选出两种算法：K-均值聚类算法和遗传算法进行着重研究，通过深入学习比较二者的优劣性，最终提出了优化的遗传K-均值聚类算法来求解原型模式向量。然后，在此算法的基础上设计实现了协同神经网络分类器，结合实验数据说明该分类器的性能。最后把该协同分类器应用于人脸分类模型系统，通过对所采集的人脸图像数据信息进行分析与可行性验证，在保证正确识别的基础上提高效率，经实验论证该系统可以在噪声、干扰情况下对人脸进行高效有序的分类，达到研究目的。