Kanerva 的稀疏分布存储 (SDM) 模型因其地址选择的稀疏性和数据存储的分布性，能实现大维数样本的训练和识别问题，并在一定程度上模拟了小脑的部分功能，推广了现代计算机的随机存取模式，在联想记忆和模式识别等领域获得了应用。然而由于地址矩阵的均匀预置方式，使其在处理现实的非均匀分布时效果不佳；并且它的外积法学习方式使其表达非线性映射的能力不强。因此本论文在原有工作基础上，通过修改SDM的地址矩阵的预置方式和学习算法，提出扩展 SDM (ExSDM) 模型，以克服其非线性映射能力弱的问题。 在ExSDM中，以实值模式代替二值模式，避免了实值到二值的编码过程；以最小均方误差法代替外积法，使该模型在具有识别能力的同时具有了对函数的逼近能力；改变A矩阵的预置方法，用训练样本和自组织特征网络SOFM或灰度 SOFM 来训练A矩阵，以使A矩阵中地址的分布更能反映出样本的真实分布；输入层到隐单元层的传递函数采用高斯函数。非线性函数的逼近和时间序列预测及手写体数字的识别验证了改进模型的有效性。