生物体能够根据变化的目标、环境及内部状态等组合成的不同情境对同一刺激做出不同的反应，这种动态响应环境的能力即为情境学习（Contextual Learning，CL）。在人工智能（Artificial Intelligence，AI）领域，情境学习并未引起广泛的关注，但其实这种能力是通用人工智能的必备能力之一。目前的人工神经网络（Artificial Neural Network，ANN）的函数映射较为刻板，缺乏在动态变化环境中灵活修改规则的能力，面临无法连续学习和灾难性遗忘等问题。其实，诸多任务中包含许多关键的情境信息，这些信息对于决策和判断有着直接或间接的影响，神经网络往往隐式地学习该类知识，使得网络的学习能力和容量受到限制。如果网络能自主显式地提取情境信息实现根据情境转换映射规则，则会大大提升其灵活性。灵长类生物的前额叶皮层（Prefrontal Cortex，PFC）和海马体（Hippocampus，HPC）负责情境信号的提取和转化，可以根据情境信息调控信息处理的流程，灵活处理不同的任务。本文受 PFC、HPC 和互补学习系统（Complementary Learning System，CLS）原理的启发，结合实际应用场景，提出了一种新的通用计算架构，设计了包含三个子模块的复合情境处理模块（Context Processing Module，CPM）。该模块能自主地通过端到端学习，有效提取关键情境信息，并将这一信息融入基准网络中从而实现高效的情境化信息处理。

本文首先通过强化学习的实验证实，CPM 能够有效提升基准网络的性能并加速训练，子模块间相互配合，协同合作，分别承担着不同的功能。实验证明，在包含复杂情境信息的 Pacman 游戏中，CPM 能显式学习提取判别与任务相关的重要情境信号，增大了游戏中情境元素表征之间的类间距离，并通过与基准网络所学习到的规则信息的有效融合，达到了缩短训练时长、节省计算资源的目的，改变了之前算法中智能体必须隐式学习情境信息的现状。通过对不同特征表征分布的研究，证实了 CPM 各子模块对于整体情境化信息处理的作用，并初步验证了其中一些子模块的功能机理，表明了本文所提出的类脑模块的有效性。为了深入研究 CPM 的作用原理与机制，本文设计了新颖的情境图像分类任务，使得输入图像中的情境信息和其他信息具有明确的定义。实验结果表明，我们提出的网络架构实现了对于这两种重要特征信息的解耦，降低了任务复杂度，并最终提升了分类的效果。进一步的分析表明，网络能够跟据各种类别信息的相对复杂程度，自主优化资源配置，实现情境信息的有效处理。

本研究结合神经科学的重要启发与机器学习的网络设计，提出并验证了能够通过端到端学习，自主地提取环境中的重要情境信息，并使之与其他信息的处理有效整合，从而提高系统性能的网络结构，并初步阐明了其作用机制。利用脑启发的网络结构，实现情境化信息处理与现有深度网络的有效结合，是面向通用人工智能的积极探索，也为研究人脑处理复杂信息的机制提供了新的思路，具有重要的理论和实际意义。