随着社会的发展,人工智能(Artificial Intelligence,AI)已经渗透到人类生活的各个领域。让机器的逻辑、思维、学习、感应和分析能力与人的大脑相匹配是人工智能的目标。卷积神经网络(Convolutional Neural Network,CNN)是目前人工智能研究的流行方向,它的建模方法受启于人类的大脑神经系统,是对大脑神经系统的一种模拟和重建。目前,卷积神经网络的算法已经相对成熟,但膜系统(P System)却具备着巨大的潜力,二者相结合将扩展膜系统的应用领域。同时,超图(Hypergraph)的引入能帮助膜系统表达更为复杂的多元关系,为膜系统的发展提供新的思路。本文将超图和卷积神经网络与膜系统相结合,构造了新的基于超图和卷积神经网络的膜系统。在这个新系统中,膜的分离性为计算提供了保护空间,同时膜系统的并行性使多个计算可以同时进行,以此提高计算效率、降低时间复杂度;超图的加入使系统能够很好地表达复杂的多元关系,这为后面算法的改进和计算方式的创新提供可能性;卷积神经网络的正向传播/反向传播算法为系统提供了“学习”的基础,使系统能够自我训练参数,扩展其应用领域。我们通过模拟图灵机(Turingmachine)证明了新系统的计算完备性,并成功地将系统运用到图片分类的问题中,证明了系统的可行性和实用性。本文第五、六章重点围绕基于超图和卷积神经网络的膜系统的研究与应用展开描述。我们研究了对图片进行分类的具有挑战性的问题,在卷积计算(Convolution)的基础上,利用基于超图和深度神经网络的膜系统对图片分类模型做了以下改进:首先,基于超膜的特殊包含性,本文提出了多流卷积超膜系统的架构,同一层中利用最大并行性在多个膜内做卷积运算,可以更为精确和迅速的提取特征。其次,本文设计了一种新的输入数据处理方法,运用这种方法我们可以在保证图片特征不丢失的情况下,快速的对输入图片进行降维处理。本文构建多维输入卷积超膜系统,将压缩和降维处理后的两个特征图分别输入各自的卷积流内做运算,在保证输出精确度的前提下减小了输入的维度。最后,我们利用超膜可以表示多元复杂关系的特点,为卷积核设计了一个特殊的核膜。通过核膜的构建和算法的改进,优化了卷积核的分配方式。我们将优化后的膜系统命名为核分配卷积超膜系统,核分配卷积超膜系统大大降低了计算的时间复杂度。我们对本文提出的三个改进的系统(卷积超膜系统、多维输入卷积超膜系统以及核分配卷积超膜系统)进行了三组关于手写数字的分类实验。我们将三组实验分别与传统膜系统和卷积神经网络系统进行了对比分析,得到较好的分类结果。由此我们可以看出通过与超图和深度神经网络的结合,增强了膜系统的表达性,扩展了膜系统的应用领域,使其能够应用于更复杂的情况。