基于最大运算Max和t-范数T的神经网络模型Max-T FAM是B．Kosko提出的经典模糊联想记忆(FAM)网络的一种重要的广义形式，其性能有多处不足．本文利用一种参数化聚合算子νλ，提出了一种计算简单、易于硬件实现的广义模糊联想记忆(GFAM)网络，其连接算子从{νλ|λ∈[0，1]}中选取；从理论上严格证明了GFAM具有一致连续性，比所有Max-T FAM的映射能力和存储能力强很多；接着运用模糊关系方程理论提出和分析了GFAM的一种所谓的Max-Min-λ学习算法；最后用实验对GFAM和Max-T
