CPN网络的学习算法如下：

①初始化及确定参数。确定输入层神经元数n，并对输入向量X进行归一化处理：

确定竞争层神经元p，对应的二值输出向量B＝［b₁，b₂，…，b_p］^T，输出层输出向量Y＝［y₁，y₂，…，y_q］^T，目标输出向量O＝［o₁，o₂，…，o_q］^T，读数器t＝0。

初始化输入层到竞争层的连接权值W_j（j＝1，2，…，p）和由竞争层到输出层的连接权重V_k（k＝1，2，…，q），并对W_j进行归一化处理。

②计算竞争层的输入。按下列公式求竞争层每个神经元的输入：

③计算连接权重W_j与X距离最近的向量。按下列公式计算：

④将神经元g的输出设定为1，其余神经元输出设定为0，即

⑤修正连接权值W_g。按下列公式进行修正并进行归一化：

w_gi（t＋1）＝w_gi（t）＋α［x_i－w_gi（t）］，　i＝1，2，…，n，　0＜α＜1

⑥计算输出。按下式计算输出神经元的实际输出值：

⑦修正连接权重V_g。按下式修正权重V_g：

v_kg（t＋1）＝v_kg（t）＋βb_j（y_k－o_k），　　k＝1，2，…，q，　　0＜β＜1

⑧返回第②步，直到将N个输入模式全部输入。

⑨置t＝t＋1，将输入模式X重新提供给网络学习，直到t＝T为止，其中T为预先设定的学习总次数，一般大于500。