به کارگیری دینامیک های جاذب نقطه ای به عنوان حافظه های انجمنی به دهه ی هشتاد میلادی و معرفی شبکه ی هاپفیلد باز می گردد بازیابی حافظه در این سیستم ها با استفاده از شبکه های بازگشتی صورت می گیرد. در کنار این دینامیک های جاذب وجود فعالیت ماندگار در سلول های مغز به همراه ساختارهای بازگشتی در نواحی قشری مغز، ما را به سمت تکامل دینامیک های جدیدتری به نام شبکه های عصبی یا جاذب های پیوسته سوق می دهد. در این رساله ضمن تعریف دقیق جاذب ها و جاذب های پیوسته، سامانه ای با استفاده از این مفاهیم برای کاربرد بازشناخت الگو طرح ریزی شده است مفهوم جاذب های پیوسته با مفهوم مانیفولدها گره خورده است بنابراین در این رساله این دو مفهوم به صورت توامان به کار گرفته شده اند. بدین منظور ابتدا استخراج مانیفولدها و کاهش بعد غیر خطی دادگان را معرفی کرده و سپس روشی برای پیاده سازی آن با استفاده از شبکه های اتوانکودر و روش پیش تعلیم ماشین های بولنزمان محدود شده، ارایه شده است کارایی این روش با پیاده سازی بر روی یک مجموعه از الگوهای تصویری سطح - خاکستری قابل قبول ارزیابی شده است. سپس با معرفی مدلی جدید بر اساس تک نورون های جاذب، شبکه ای تحت عنوان «شبکه ی نورون های رقابتی» برای پیاده سازی دینامیک جاذب ها ارایه شده است پس از معرفی گام به گام مدل توانایی های مدل طی چند شبیه سازی و مقایسه، بررسی شده است از ویژگی های مدل ارایه شده عدم وجود جاذب های جعلی و همچنین سرعت بالای تعلیم آن است. در انتها با ترکیب شبکه ی جاذب با شبکه ی اتوانکودر برای کاهش بعد غیر خطی دادگان، سامانه ی نهایی برای وظیفه ی بازشناسی الگو بر روی پایگاه داده ی ارقام دست نوشته ی usps پیاده سازی شده است. نتیجه نهایی بازشناسی برای این پایگاه داده 96.94 بدست آمد که با آخرین نتایج بدست آمده از روش های مشابه قابل رقابت است.