突触可塑性(synaptic plasticity,SP)与内源可塑性(intrinsic plasticity,IP)是生物脑学习的重要法则。目前,人工神经网络通过借鉴SP的原理引入了权重的概念。尽管少数研究也考虑了IP,但两者协同工作对人工神经网络的影响尚不完全清楚。目前,协同学习的研究都是基于信息熵的浅层网络,且只研究过在数据拟合上的应用。具有抗噪能力的小体量神经网络是当前神经网络领域研究的重要方向,而大脑正是高效节能且抗噪的典范,据推测两类可塑性的协作可能为大脑中高效而复杂的信息处理提供了神经基础。本论文中,我们探究了SP和IP在神经网络中的协同学习情况,对比了基于信息熵和非信息熵的损失函数下的协同作用效果,并在数据拟合、多分类任务、抗噪能力等多种应用上进行了实验。主要研究结果如下:(1)数据拟合应用中,协同学习算法能加快网络的学习速度并提高网络拟合的质量。采用局部信息最大化所代表的IP规则与误差熵最小化算法的突触学习规则结合使用,提高了网络学习的速度,和质量。探讨了隐藏层和输出层每个神经元激活函数斜率和偏移的变化,IP规则增加了激活函数斜率的平均值。(2)在一定条件下,协同学习算法能加快轻神经网络在多分类任务中的学习速率并提高学习质量。IP规则中的局部信息最大化可以与除误差熵最小化算法以外的突触学习规则,例如最小化熵,结合使用。协同学习在浅层网络和深层网络中都能起到不同程度的作用。在具有IP规则的人工神经网络中,较少的神经元所能达到的性能与在传统的人工神经网络中较多神经元达到的效果相同。同时,IP规则使网络对突触学习速率的提高更为鲁棒。(3)在噪声环境中,协同学习算法能稳定的提升神经网络的性能。在不同强度的噪声环境下,对比人工神经网络,协同学习神经网络能获得较高的准确率和较小的标准差。较小的标准差说明协同学习能增强噪声环境中网络的鲁棒性。(4)在基于非信息熵的损失函数下,协同学习在小体量网络上依然能保持更快的学习速度和更高的学习质量。新引入的损失函数与反向传播的训练方法与协同学习共同作用提高了网络的性能。我们成功将协同学习算法推广到除信息熵的神经网络中。以上结果表明,使用协同学习算法的神经网络具有对资源的耗费量小,鲁棒性好等优点,在小体量神经网络中展现出更好的性能。这将为轻量化神经网络的发展提供新的思路。