图像识别是模式识别最重要的分支之一,在计算机视觉领域有着广泛的应用。在过去的几年里,基于神经网络尤其是基于深度学习神经网络的图像识别方法取得了巨大的发展,大量的深度学习神经网络模型被提出并用于图像识别领域,取得了显著性的成果。但是,在神经网络取得这些成就的同时,其理论性和解释性的匮乏同时遭到部分研究者的质疑,回答这些质疑的关键在于找出并解决浅层神经网络存在的问题。本文对几种经典的神经网络模型进行了深入的分析,提出了一种具有可解释性的相关学习神经网络。本文分析和对比了多种神经网络模型,发现现有神经网络模型可以归并为两大类:基于加权和激活的神经网络与基于相似度激活的神经网络。在基于相似度激活的思想下,本文结合余弦相关性度量准则,提出了一种相关学习神经网络。相对于传统的基于加权和激活的神经网络,相关学习神经网络具有如下优势:1)具有更好的解释性,隐藏层节点通过相似度激活的方式实现了特征提取的功能,具有明确的物理意义;2)更加符合人脑的工作机理,不仅能够记住样本的判别信息,还能够记住其生成信息,从而能够更加全面地表达样本;3)更快的收敛速度,将输入层到隐藏层之间的权值向量作为一个整体来调整而不是作为独立的分量分别进行调整,避免了权值向量各分量调整量分配不均的问题,使得网络的收敛速度更快。此外,本文还提出一种改进的后向传播算法用于训练该网络。本文将提出的相关学习神经网络用在多个图像识别数据集上做了分类识别实验,这些数据集包括COIL20、COIL100、ORL、AR、YALE B、FERET,除了对比传统的BP神经网络外,本文还对比了现有的图像识别方法,包括主成分分析、线性鉴别分析和局部保持投影及其各种变种。大量的实验表明,本文的方法较传统的BP神经网络具有更好的图像识别能力,在识别率上接近或超过了现有的图像识别方法,充分证明了本文提出的相关学习神经网络的有效性。