随着计算机技术和网络多媒体技术的迅猛发展,每时每刻都在产生海量的图像数据。如何对这些图像信息进行高效存储并提取是计算机视觉需要解决的关键技术问题。众所周知,人类的视觉系统每天都会采集到大量的视觉信息,尽管外部世界纷繁复杂,人脑仍然能够对其有效存储,并在需要的时候快速提取。因此对人脑记忆机制进行研究,并将其应用到计算机视觉和图像处理,具有重要的学术和应用价值。为此,本文将基于认知心理学及认知神经科学等领域的研究成果对人脑记忆机制进行建模研究,并将其用于视觉图像信息的分类记忆。本文主要工作如下:1、对人脑记忆相关理论及建模方法进行了总结,研究了基于神经生理学的联想记忆模型以及基于贝叶斯脑的自由能最小化理论和受限玻尔兹曼机（Restricted Boltzmann machines,RBM）的概率建模过程;2.提出了一种增量模式联想记忆模型。对神经元的Hebbian学习规则进行改进,采用误差驱动与Hebbian联想学习相结合的Leabra学习框架,并将其用于图像信息的增量存储与快速提取。在四个标准图像库中与另外三种模型进行实验对比,结果表明所提记忆模型具有更好的图像分类性能和更高的时间效率;3.提出基于自由能最小化理论的分类受限玻尔兹曼机记忆模型。将Friston提出的自由能最小化理论引入到受限玻尔兹曼机概率生成模型中用于优化记忆模型参数。该方法不仅考虑使后验估计最大,以确保近似识别密度对实际识别密度有一个好的近似,同时还考虑最大化输入似然函数,使生成模型能更好地模拟输入分布。实验结果表明,所提模型的图像分类性能优于现有的自组织增量神经网络和支持向量机,并且可以实现视觉图像的回忆。