人工神经网络(Artificial Neural Networks, ANN)是处理识别和分类任务的强大工具，因为它们可以学习输入和输出之间复杂的映射关系。但是，目前的神经网络所能学习的映射规则通常是单一且固定的。这限制了网络在复杂和动态变化的环境下工作的能力。当神经网络的输出需要根据情境不断变化时，这就对现有的神经网络提出了很大的挑战。在灵长类大脑中，前额叶皮层(Prefrontal Cortex, PFC)会依据情境信号灵活处理当前的输入，执行不同的任务，另外，与当前大多数人工神经网络不同，灵长类能够连续地逐项学习这些情境依赖的处理规则，从而使得其灵活性能够不断地增加。受大脑这些特性的启发，本文提出了一种新的方法，包括正交权重修改(Orthogonal Weights Modification, OWM)算法和情境依赖处理(Context-dependent Processing, CDP)模块。该方法使神经网络能够基于情境连续地学习不同的映射规则。
    本文通过一系列实验证明，OWM算法可以有效保护神经网络在以往任务中获得的知识，从而有效克服学习过程中的“灾难性遗忘”。使用该方法，网络可以在性能几乎不受干扰的前提下，连续地学习多达数千种不同的映射规则，性能优于已经提出的其他连续学习算法。此外，通过使用CDP模块处理情境信息，网络可以连续地学习情境依赖的不同映射规则,实现在相同的输入情况下灵活地根据当前情境完成截然不同的任务。OWM算法和CDP模块的结合使得以后可能创造出紧凑而又高度灵活的人工智能系统，从而逐渐学习现实世界的复杂规律。希望这样可以促进通用智能的产生。最后，本文在卷积神经网络(Convolutional Neural Networks, CNN)和蓄水池计算(Reservoir Computing, RC)网络中验证了OWM算法的有效性和通用性，进一步证明了该算法的扩展性和实用性。