近几年,内源性一氧化氮(NO)作为一种新型的神经递质及其在大脑神经活动中所起到的重要作用引起了国内外的广泛关注。NO的发现为脑科学和人工神经网络以及神经信号处理领域许多传统的观点提供了一个新的启示。在现有的自组织神经网络模型中引入NO机制是一个有价值的研究方向。 本论文结合国家自然科学基金研究项目“NO自组织神经计算与机器人导航信息融合”(编号60171003),开展了关于NO神经计算理论与自组织方法改进的工作。首先对几种典型的自组织神经网络模型进行研究,分析了这些模型的特点,并进行了相关的计算机仿真。然后根据国际上关于NO的最新研究成果,给出了大脑中内源性NO的时空动态扩散模型,并将NO扩散模型和生长型非拓扑保持神经网络相结合,提出一个新型的扩散生长型自组织神经网络模型——DGSOM。DGSOM模型将资源竞争作为节点生长方式,以竞争型Hebb学习方法和年龄机制相互作用建立和更新网络节点之间的拓扑连接,建立了基于NO扩散调节和拓扑连接调节的网络动态平衡机制,提出了新的近距竞争远距合作的网络调整策略。大量的仿真结果表明,DGSOM模型不仅可以对输入空间进行正确的划分,反映输入信号之间的拓扑关系,生成的网络还可以用来估计复杂输入样本的真实维数。DGSOM模型优于以往自组织模型的地方是它的可塑性和灵活性,这使得DGSOM模型可以很好的处理各种非静态的输入分布。论文最后就DGSOM模型在非线性系统辨识和聚类中的应用进行了分析,并探讨了NO在信息处理和神经计算领域的应用,提出了我们今后研究的方向和目标。