随着Internet在线分类购物、彩色打印等应用普及,彩色图像作为信息载体,越来越受到重视。当一幅彩色图像经过若干操作平台或图像设备后,往往会造成颜色损失,如何使得到的彩色打印或显示与原稿相一致,实现图像色彩一致性,是色彩匹配(Color Matching)研究的核心内容,也是彩色信息处理领域的一项重要技术难题。国际ICC ( International Color Consortium)Profile定义的多维色彩查找表是解决色彩一致性问题的国际通用标准方法。但是,由于空间受限,色彩查找表只包含部分色彩信息,对于表中不存在的色彩输入数据,需要利用插值的方法来解决。而色彩匹配涉及到不同颜色空间的高维非线性转换,因此拥有非线性映射特性及高速并行处理能力的神经网络显得比较合适。本文采用CMAC(Cerebellar Model Articulation Controller Neural Network,小脑模型关节控制器)神经网络来实现色彩查找表的插值任务,并取得了很好的效果。CMAC神经网络采用查表技术,学习速度快、局部泛化能力强、易于硬件实现,适用于计算量大,要求学习速度快的机器人控制、模式识别、信号处理和色彩匹配等领域。但是,CMAC神经网络本身存在一些缺陷,如学习精度不高、因为地址碰撞问题产生噪声,没有全局泛化能力等,在一定程度上限制了CMAC神经网络的发展和在某些领域的应用。因此,研究CMAC神经网络的改进算法显得十分重要和必要。本文研究CMAC神经网络的改进算法,主要包括概念映射方法改进和学习算法改进两方面。提出了一种新的基于主(反)次对角线的概念映射方法,该方法能够在有限的存储空间内获得不错的学习精度和泛化能力。此外,结合新的概念映射方法,对B样条CMAC和模糊CMAC神经网络进行了拓扑结构改进。通过仿真实验证明,改进后的两种神经网络性能都得到了提高。此外,利用基于信度(Credit Assignment)分配的学习算法对CMAC神经网络的LMS(Least Mean Square,最小均方)学习算法进行了改进。