ART2是基于自适应谐振理论的一种自组织神经网络,通过竞争学习和自稳机制原理实现分类,可以在非平稳的、有干扰的环境中进行无监督的自学习,其学习过程能迅速识别已学习过的样本,并能迅速适应未学习过的新对象。该网络是对人脑认知事物的一种模拟。针对传统的ART2神经网络在对输入模式识别时,会产生模式漂移的问题,本文修正了传统ART2网络的权值,修正后的网络学习规则将减慢学习速率,降低模式漂移速度,而且也能对所给对象进行合理的分类。试验证明,权值修改后的慢速ART2神经网络改善了传统ART2神经网络对渐变过程的不敏感性。为了更好地模拟人脑学习和认知功能,本文利用记忆强度作为与ART2神经网络已有模式进行识别排序的依据,使得改进后的网络从获胜机制的角度更加接近人脑。在输入新的样本时,新的网络按照记忆强度的强弱排序并进行比较,会很快找到其属于的模式。试验表明,对频繁出现的事物进行识别时,引入记忆强度后的ART2神经网络能减少计算量,节省识别时间,从而提高网络的识别速度。本文还将引入记忆强度的ART2神经网络应用于人脸识别。在对ORL数据库中的人脸进行PCA降维或小波变换降维后,得到的人脸向量作为输入神经网络的样本,从而对一定量的输入样本进行识别分类。通过对ORL人脸库的识别和分类进行了模拟,结果表明应用夹角余弦识别准则的ART2神经网络的识别率均高于用欧几里得距离和街区距离作为准则的识别率；而且改进后的ART2神经网络比原始的ART2神经网络要节省识别时间,特别对大样本数据,效率提高尤其明显。引入记忆-遗忘机制的ART2神经网络在学习认知功能上的特色和优势,为其在大样本多模式的实际环境中的应用奠定了基础。