人工神经网络在优化控制和模式识别方面得到了广泛的应用。本文对人工神经网络方法在ATM(Asynchronous Transfer Mode，异步传输模式)信元优化调度和三维物体相位特征识别中的应用进行了研究。 1．基于神经网络的信元优化调度：在多重队列中采用每条入线在同一个时隙内可传送多于一个信元的策略，提出了两种新的Hopfield神经网络的能量函数，进而利用Hopfield神经网络实现对信元的控制和调度。计算机仿真模拟比较表明，我们所提出的这两种方法均提高了吞吐率，减少了信元时延，并降低了信元丢失率，消除了队头阻塞造成的性能恶化，提高了ATM交换结构的性能，实现了信元整体上的优化排程控制。由于Hopfield神经网络易于电子或光电技术实现，交换结构和缓冲器也无需加速，因此，这两种方法不失为有效的信元优化调度方案。 2．基于神经网络的相位特征识别：提出一种基于人工神经网络的三维物体相位特征识别方法。首先利用波长扫描数字全息技术提取物体的相位特征，然后将物体的这些相位特征作为学习模式训练一个BP神经网络，最后利用训练好的网络对三维物体进行识别，计算机模拟表明，对于具有小尺度变化的透明、半透明三维物体识别，该方法的正确识别率为100％，而且还具有一定的容错性。这为透明或半透明三维物体进行小尺度不变性识别提供了一个新的方法。