本文的主要目的是实现某种反馈神经网络模型的自适应信号去噪仿真。 双向联想记忆（BAM）神经网络，离散Hopfield反馈网络（DHN）和反向传播网络（CPN）在外部和最大存储容量之内的条件下进行了讨论。 通过对三种网络进行数据降噪的实验仿真，对实验结果进行比较和分析，结果表明，最大存储容量内的BAM网络和离散Hopfield网络均具有良好的降噪效果，迭代次数少，培训时间少，操作稳定。 CPN对初始权重值敏感，具有良好的降噪效果，但迭代次数更多。 当噪声增加且超出BAM网络或DHN的最大存储容量时，我们发现CPN的降噪效果更好在超过最大存储容量的情况下，性能比离散的Hopfield网络和Kosko的BAM网络要好。 完全CPN比单向CPN具有更好的降噪性能，但前者需要更长的训练时间。
