构造性形态学神经网络算法（CMNN）是一种数学形态学与传统的神经网络模型相结合的一种非线性神经网络，有较强的实用性。其训练算法根据形态学联想记忆而来，在测试过程中采用形态学算子将测试样本归类于训练得到的超盒之中。由于其测试过程无法正确地将落在超盒外的样本进行分类，后有人提出了一种基于模糊格的形态学神经网络（FL-CMNN），该算法用样本与超盒的隶属度判断提高了原CMNN算法的分类效果，但增加了算法的复杂程度且分类效果不稳定。这里提出一种基于构造性形态学神经网络算法的提升算法（LCMNN），该算法继承了原有的形态学算子运算速度快的优点且能够将落在超盒之外的样本进行准确地归类。数值实验表明，基于构