工作原理
CMAC把系統的輸入狀態作為一個地址指針，把相關信息分散式地存入一組存儲單元。它本質上是一種用於映射複雜非線性函式的查表技術。具體作法是：將輸入空間分成許多分塊，每個分塊指定一個實際存儲器位置；每個分塊學習到的信息分散式地存儲到相鄰分塊的位置上；存貯單元數通常比所考慮問題的最大可能輸入空間的分塊數少得多。故實現的是多對一映射，即多個分塊映射到同樣一個存儲器地址上。
組成結構
主要由矢量輸入層S、概念映射層A(Conceptual Mapping)、實際映射層A。(Practical Mapping)和網路輸出層四部分組成。
S空間代表存儲所有輸入矢量的矢量場，概念映射層A由一族量化感知器組成，S中的每一個矢量都同A中的C個感知器相對應，其中C稱為感知野，是CMAC網路的一個重要參數，並且輸入矢量在S中的相似度越高，其對應的感知器在A中的重合程度越高。
設計方法
CMAC的設計可分為三步：
(1)量化(概念映射U→A)。在輸入層對N維輸入空間進行劃分，每一輸入都降落到N維格線基的一個立方體單元內。
(2)地址映射(實際映射A→A’)。採用除餘數法，將輸入樣本映射至概念存儲器的地址，除以一個數，得到的餘數作為實際存儲器的地址值，即將概念存儲器中的C個單元映射到實際存儲器的C個地址。
(3)CMAC輸出(A’→y)。將輸入映射到實際存儲器的c個單元，每個單元存儲著相應的權值，CMAC的輸出為c個實際存儲單元加權之和。
優點
CMAC比其他神經網路的優越性體現在：
(1)它是基於局部學習的神經網路，它把信息存儲在局部結構上，使每次修正的許可權少，在保證函式非線性逼近性能的前提下，學習速度快，適合於實時控制。
(2)具有一定的泛化能力，即所謂相近輸入產生相近輸出，不同輸入給出不同輸出。
(3)作為非線性逼近器，它對學習數據出現的次序不敏感。
(4)由於相連空間中只有少數幾個元素為1，其餘均為0，因此在一次訓練中只有少數的連線權需要改變，計算量較小。
由於CMAC所具有的上述優越性能，使它比一般神經網路具有更好的非線性逼近能力，更適合於複雜動態環境下的非線性實時控制。
