协同学理论研究的要点是复杂系统宏观特性的质变。20世纪80年代末,Haken教授利用自发模式形成和模式识别之间存在很强的相似性,提出了将协同学理论运用于模式识别中,并根据序参量的演化方程,构造了自上而下的协同神经网络。本文围绕协同神经网络模型、原型向量的优化等方面进行了研究。本文的主要工作如下：(1)在拟生态和仿生思想的启发下,根据协同神经网络的学习规则,提出了量子进化规划方法用于协同神经网络图像识别的算法。该算法将量子计算的特性与进化算法的寻优能力相结合,具有优良的特性。量子染色体能够携带多个状态信息,利用随机观测的方法可以由量子染色体产生新的原型向量,这样能够更好的保持群体的多样性,克服早熟现象。算法中使用了量子更新算子,进一步提高了图像的识别效率。仿真对比实验证明了该算法的有效性。(2)基于人工免疫系统中的克隆选择理论,将量子免疫克隆方法用于协同神经网络的原型向量学习中,实现了对图像的识别。免疫克隆算法本身具有局部寻优能力强的特点,而量子交叉操作具有信息交换的优势,因此量子免疫克隆方法能够对原型向量进行优化,对图像进行识别。仿真实验结果表明,与现有的协同神经网络算法相比,该方法有效的提高了网络对图像的识别率。