In this work various models of lattice associative memories are developed that solve the problem of storage and recall of digital images, be they binary, gray scale, or color images, which may or may not be distorted with additive random noise. The original images or “exemplars” are stored and recalled by the memory as vectors. In these kind of associative memories processing is based primarily on minimax algebra vector and matrix operations. Several techniques are described that, depending on the kind of image, achieve a better performance with respect to other associative memory models already established. For binary images, an enhanced fuzzy autoassociative morphological memory is proposed, that employs Kosko’s indicator function, a thresholding procedure, and the Hamming distance. Random noise is considered as mixed noise in the context of minimax algebra, since it is a mixture of erosive and dilative noise. Generally, it presents a serious problem during the recall stage because the lattice auto-associative memories are robust to only one type of noise (erosive or dilative). The central part of this thesis describes noise masking consisting in changing a binary or gray scale image with random noise into an image with only just one kind of noise, erosive or dilative but not both; also, it allows the use of the minimum or maximum memories indistinctively. Additionally, an extension of the noise masking technique is given to deal with RGB color images since these images can be considered as gray scale images in three channels that can be processed independently. In each one of the associative memories models, representative examples of their performance are provided for inputs with random noise (impulse type) together with the corresponding algorithms written in mathematical pseudocode. Finally, a comparison is established between recent associative memory models used to store and retrieve RGB color images and the model proposed here.En este trabajo se desarrollan diversos modelos de memorias asociativas reticulares minimax capaces de resolver el problema de almacenamiento y recuperación de imágenes digitales, ya sean binarias, en escala de grises o a color, las cuales pueden estar o no distorsionadas con ruido aleatorio aditivo. Las imágenes originales o “ejemplares” son almacenadas y recuperadas por la memoria como vectores. El procesamiento en esta clase de memorias asociativas se basa en operaciones vectoriales y matriciales del álgebra minimax. Se describen diversas técnicas que, dependiendo del tipo de imagen, logran mejorar el desempeño respecto de otros modelos de memorias asociativas ya establecidos. Para imágenes binarias se propone una memoria asociativa morfológica difusa mejorada, que emplea la función indicatriz de Kosko, un procedimiento de umbralización y la distancia de Hamming. El ruido aleatorio se considera como ruido mixto en el contexto de ésta álgebra ya que es una mezcla de ruido erosivo y dilatativo. En general presenta un problema serio en la etapa de recuperación ya que las memorias autoasociativas reticulares son robustas ante un tipo de ruido solamente (erosivo o dilatativo). Como parte central de la tesis se describe el enmascaramiento del ruido que consiste en cambiar una imagen binaria o en tonos de gris con ruido aleatorio en una imagen que contiene un solo tipo de ruido, erosivo o dilatativo pero no ambos; además, permite utilizar las memorias mínima o máxima de manera indistinta. Adicionalmente, se extiende la técnica del enmascaramiento del ruido para tratar imágenes a color RGB ya que éstas pueden tratarse como imágenes en escala de grises en tres canales los cuales pueden procesarse independientemente. En cada uno de los modelos de memorias asociativas se presentan ejemplos representativos de su desempeño ante ruido aleatorio (tipo impulsivo) y se proporcionan los algoritmos correspondientes en pseudocódigo matemático. Finalmente, se establece una comparación con modelos recientes de memorias asociativas empleadas para almacenar y recuperar imágenes a color RGB y el modelo aquí propuesto.