人工神经网络（Artifical Neural Networks, ANN）是一种模仿生物神经网络的人工信号处理系统，它通过使用大量互联的结构简单的人工神经元的权值变化来模仿人类的神经信号处理过程。人工神经网络具有学习、分类、预测的能力。发展至今，人类已开发出适用于多种应用环境的人工神经网络。人工神经网络是一种高度非线性技术，内部各个处理单元(即神经元)能独立工作，具有平行处理信号的能力并能够容忍一定程度的输入噪声。自适应共振理论（Adaptive Resonance Theory,ART）是一种无监督学习（Unsupervised learning）型人工神经网络，它的出现解决了神经网络学习的稳定性/可塑性两难问题。ART由Grossberg于上世纪70年代提出，它能够在不影响旧有知识的情况下，继续学习并纳入新知识，而无需事先设计、应用训练过程。由于其学习架构为无监督型，使得ART非常适合应用于模式识别和错误检测。本论文深入分析了ART1和ART2的原理，内容包括数学基础，基本架构，遵循的学习规则，另外，还用实验验证了它们的性能。在此基础之上，利用实验心理学原理，本论文发展出一种快速自适应共振网络。该网络按记忆强度分组自适应共振理论网络聚类，从而将模式识别过程划分成若干按序进行的子过程。通过合理设置网络参数，在保证准确识别的前提下，新网络尽可能地避免了自适应共振网络所固有的遍历匹配运算。快速自适应共振理论网络保留了ART所有的优点，并且加入一个预处理环节，使ART1具备了处理模拟信号的能力。实验表明，新网络的模式识别性能与原网络相当，而计算效率却得到了显著提升。