随着科技的进步,人类对大脑有了清晰的认知,建立了许多认知大脑的模型。神经网络作为其中一种模型,在很多领域取得了显著的成果。耦合神经网络是神经网络模型中非常重要的一部分,它具体有两种表现形式。一种是具有并联性质的,将不同的神经网络并联组合起来的模型,如模块神经网络,分布式神经网络等;另一种是串联性质的神经网络,如自编码器模型网络,它在数学模型上可以视作层级之间的串联。我们必须知道,神经网络的研究很重要的一方面是对吸引子的研究。本文主要对耦合神经网络的连续吸引子进行了研究探讨,研究内容主要分为以下几个部分:首先,对耦合递归神经网络而言,根据耦合系数与激活函数性质对耦合递归神经网络所起的作用,进行了由浅到深的研究。从理论推导上划分了耦合递归神经网络常见的组合形式,得到了耦合递归神经网络具备连续吸引子的条件,并且通过仿真验证了理论推导的正确性。其次,本文对于阈值线性激活函数的自编码神经网络进行了探讨。在这部分,不但研究了自编码器的数学表示形式,而且还将自编码器网络与连续吸引子结合在一起,针对于深度学习中的自编码器模型,研究了连续吸引子存在形式,并且对已存在的结果进行了延伸推广,对层级连接的自编码器网络扩展加入自身输入与外部输入,并进行理论推导,得到网络中具备连续吸引子所存在的条件,并且通过仿真验证了理论推导的正确性。最后,本文将自编码器神经网络与实际应用相结合。结合行为评分卡业务逻辑,通过数据处理和共线性检测筛选出对模型影响较大且具有共线性的变量,对这部分变量利用自编码器进行数据重构,将自编码器模型与逻辑回归相结合,完成模型训练与评价。