以往，带有外部记忆的神经网络通常仅限于单一记忆结构，且对记忆间交互关系的表示存在信息损失。为更充分地刻画记忆片段之间的复杂关系，亟需一种高阶且分立的关联记忆机制。本文提出将个体经验的存储（项记忆）与其发生关联关系的存储（关系记忆）进行分离。该思想通过一种新型的自注意力关联记忆（Self-attentive Associative Memory, SAM）算子得以实现。SAM基于外积构建，能够生成一组关联记忆，用于表征任意记忆元素对之间的潜在高阶关系，从而由项记忆构建出完整的关系记忆。两项记忆被整合进一个统一的序列模型中，兼具记忆存储与关系推理能力。在多种机器学习任务中，包括具有挑战性的合成问题以及几何推理、图结构处理、强化学习和问答系统等实际应用场景，所提出的双记忆模型均取得了具有竞争力的性能表现。