联想记忆(AM)是生物智能的重要机制和人工智能的研究焦点。本文基于小世界体系，提出并研究了一种新型联想记忆模型，并基于所建模型开展了相关的理论研究、算法研究、模拟研究和若干面向应用的实验研究。该项研究在探索研究新型智能计算模型和面向图像处理、模式识别等领域的应用方面具有理论意义和应用潜能。其主要工作内容和研究成果如下： 1.提出了一种更加符合脑神经生理结构的、具有稀疏矩阵结构特征的基于小世界体系的新型联想记忆模型。理论分析表明，该模型一方面改进了学习算法提高了模式联想性能，另一方面降低网络的结构复杂度，提高了空间存储效率。 2.对传统的外积法联想记忆模型和投影学习算法模型、特征结构法模型进行了理论上的分析和比较，表明外积法模型只在输入样本模式正交的情况下才具有良好的回忆性能，而投影学习算法和特征结构法则对输入模式没有特别的要求。对这三种模型的简单字符识别实验，得出结果和理论分析一致，并表明后两种模型对含有椒盐噪声和高斯噪声的简单字符也具有良好的回忆性能，具有一定的容错性。 3.针对联想记忆模型的拓扑结构，对复杂网络尤其是具有稀疏结构的规则连接网络，小世界网络和随机网络进行了调查研究。研究表明小世界网络既具有规则网络较大的聚类系数，同时也具有随机网络较小的特征路径长度。引入小世界体系应用到联想记忆模型中，提出了基于小世界的投影学习模型和基于小世界的特征结构法模型，以解决联想记忆随网络规模增大而迅速增长的复杂度问题。 4.将基于小世界体系的投影学习模型和基于小世界体系的特征结构法模型，应用到交通标志等二值图像识别中，通过对含有椒盐、高斯、马赛克、遮挡等各种噪声的图像识别和复原，表明模型具有良好的回忆性能和容错性。同时，稀疏性模型的连接数目比全互连情况时降低了1～2个数量级，有效的降低了模型的复杂度。