随着人工智能的蓬勃发展,人工神经网络作为人工智能的重要分支一直受到国内外学者的热切关注,神经计算学作为人工神经网络的基础学科,对人工神经网络发展有着重要的推动作用。现有的人工神经网络大多是通过模拟生物神经细胞的突触可塑性以及细胞之间的网络拓扑结构而建立的,这样的模拟过程忽略了生物神经元自身的高级学习功能,大大减弱了神经元模型的高级处理信息能力。本课题基于生物神经细胞的非联合学习机制,首先,对其中的习惯化机制、去习惯化机制、长短记忆习惯化机制进行简化描述;其次,结合McCulloch-Pitts(M-P)神经元模型,建立了三种具有非联合学习能力的学习神经元数学模型——习惯化学习神经元、去习惯化学习神经元与长短记忆习惯化神经元;最后,通过仿真实验进行验证,三种神经元模型具有与生物神经元相似的非联合学习能力。本课题设计的习惯化CIFAR-10深度卷积网络,将习惯化学习神经元模型嵌入到CIFAR-10深度卷积网络中,将CIFAR-10深度卷积网络与习惯化CIFAR-10深度卷积网络在TensorFlow框架下的训练结果进行对比,对比结果表明,习惯化CIFAR-10深度卷积网络的训练效果更佳,习惯化学习机制对卷积神经网络的各项性能有优化作用。