在单个阈值函数构成的非线性系统中,当输入信号为亚阈值信号时,加入适量的噪声会增强非线性系统的输出响应,即随机共振现象。随机共振主要关注噪声对于系统性能的积极作用,也成为神经科学领域中神经元随机可塑性的一种解释机制。鉴于生物信息传输中大量神经元聚集特点,对于超阈值输入信号,研究表明当系统由多个阈值单元并联而成时,加入独立同分布的噪声分量也会产生随机共振现象,即超阈值随机共振。在这些现象中,噪声对于提高系统性能发挥了积极的作用,我们称为噪声有益性。本文主要研究了超阈值随机共振神经网络及k近邻分类算法中噪声的有益性。首先构造了一种基于超阈值随机共振机制的阈值型神经网络模型。在构成人工神经网络的不同神经元激活函数中,阈值函数与连续可微激活函数相比,具有硬件实现成本低、内存占用少等优点,其构成的网络经过训练后的计算量小,输出值为0或1,特别适合用于完成各种分类任务。然而,阈值函数具有不可微的间断点和零梯度的特性,无法使用基于梯度下降的误差后向传播（Backpropagation,BP）算法训练阈值型网络。在超阈值随机共振现象的启发下,我们向阈值单元构成的并联阵列中加入独立同分布的噪声样本,此时,每个阵列可以看成是一个超阈值随机共振模型。理论分析表明当阵列中的阈值单元个数足够大时,阵列的输出均值渐近趋向于阈值函数对于所加入噪声概率分布的期望值,这时超阈值随机共振模型可以视为神经元,此神经元的激活函数变成了连续可微的函数——噪声平滑化阈值激活函数,此时,误差后向传播算法可以用于训练阈值型网络。在网络训练过程中,噪声平滑化阈值激活函数中的噪声概率密度参数,如噪声强度,和网络权系数一样采用随机梯度下降的方式进行更新优化,直到噪声强度收敛到非零最优值,这一网络训练方法称为噪声提升BP算法。进一步地,我们理论分析了使用噪声提升BP算法训练神经网络时,损失函数收敛时得到的最优网络参数值一般为局部最优解。在测试阶段,从实际的易实现性出发,噪声平滑化阈值激活函数由阈值阵列和训练得到的非零最优噪声来实现,神经元的输出为每个阵列阈值单元输出的均值。将使用随机梯度下降算法训练好的阈值网络用于数据分类和手写数字图片识别实验,与神经元采用连续激活函数（全精度）构成的网络得到的测试分类正确率相比,此类低精度的阈值网络能够达到同样甚至更高的分类正确率。由此,噪声在阈值网络中的有益性有两类:一是噪声的加入使阈值网络神经元函数转化为光滑可微激活函数,使得随机梯度下降算法进行网络训练成为可能,二是适宜的噪声强度可以提高网络的测试分类正确率。为研究噪声注入提高模式识别模型的泛化能力,本文还研究了阈值网络中各隐藏层神经元所加噪声服从不同噪声概率分布时噪声强度的收敛性,对不同测试数据集进行了阈值网络的分类精度比较。此外,本文进一步研究了当训练数据中加入随机噪声分量时,使用k近邻算法进行数据分类,人工噪声注入是否能够进一步地提高算法分类正确率,研究结果表明噪声注入方法在提高模式识别模型泛化能力方面具有一定的普适性。