根据网络的特点，自组织竞争神经网络在训练的初始阶段，不但对获胜的节点进行调整，也对其较大范围内的几何邻近节点权重作相应的调整，而随着训练过程的进行，与输出节点相连接的权向量越来越接近其代表的模式。这时，对获胜节点的权重只作细微的调整，并对几何较邻近的节点进行相应的调整。直至最后，只对获胜节点的权重进行调整。训练结束后，几何上相近的输出节点所连接的权重向量既有联系又有区别，保证了对于某一类输入模式，获胜节点能作出最大响应，而相邻节点作出较大响应。

自组织竞争神经网络的学习算法如下：

①连接权重初始化。对所有从输入节点到输出节点的连接权重进行随机的赋值。读数器t＝0。

②网络输入。对网络进行模式的输入，x^k＝（x₁，x₂，…，x_n）。

③调整权重。计算输入与全部输出节点连接权重的距离为

其中，x_ik为网络的输入，w_ij各节点的权重。n是样本的维数，m是节点数。

④具有最小距离的节点竞争获胜，即

⑤调整输出节点所连接的权向量及几何邻域内的节点连接权值，即

其中，η是一种可变学习速度，随时间推移而衰减，这意味着随着训练过程的进行，权重调整幅度越来越小，以使竞争获胜点所连接的权向量能代表模式的本质属性。也随时间而收缩。最后在t充分大时，，即只训练获胜节点本身得以实现权值的变化。

⑤若还有输入样本数据，则由t＝t＋1，转入第②步。