人工神经网络是一种模拟大脑神经突触联接结构、对信息进行处理的数学模型，而Hopfield联想记忆神经网络，作为一类重要的神经网络，因其具有模式存储和联想记忆能力，并能利用大规模并行处理及良好的容错性将残缺的、污损的、变形的信息恢复出原来正确完整的信息，这是传统方法难以做到的。然而，因传统Hopfield联想记忆神经网络的容量低的问题，网络进行模式识别过程中，将不能正确、有效的识别不完整、畸变的模式。本文主要针对这一问题展开研究，论文的研究成果与创新如下：1)针对Hopfield网络对一些信息不完整、含有误差的输入模式正确识别率低的问题，将克隆选择算法引入Hopfield网络中，提出一种新的提升Hopfield网络容量的方法。首先将克隆选择算法引入到Hopfield网络中，以Hopfield网络的初始输入作为克隆选择算法中的抗原；然后随机产生权值矩阵作为克隆选择算法的初始抗体；最后依据克隆选择算法对初始抗体进行克隆、交叉、变异，并根据亲和力的大小选择出网络的优化权值，以提升Hopfield网络容量。2)将提出的方法应用于含有不同噪声的样本识别，并且对实验结果做了详细的分析和对比。实验结果表明了在不改变网络结构、学习规则条件下，文中提出的方法不需要算法的多次数学迭代及采用两种进化适应度作用于网络，在相同的训练条件下，能够取得更好的记忆容量，为提升Hopfield神经网络的记忆容量提供了一种新的思路。3)针对离散Hopfield神经网络容量低，对不完整和含误差的字母正确识别率低问题，构建了一种利用混合免疫算法中的免疫遗传算法来改进网络权值的优化设计理念，提出了一种基于免疫遗传算法优化Hopfield网络容量的方法。4)将基于免疫遗传算法优化Hopfield网络容量方法应用于26个英文字母的识别中。实验结果表明：当噪声水平为0.2时，利用本文中提出的算法，Hopfield网络对初始样本的正确记忆能力达到90%以上；当噪声水平高达0.6,0.8和1时，与传统的Hopfield网络相比，基于混合免疫算法的Hopfield网络对不完整、含误差的样本正确识别率也有明显提高。