科技的迅速发展使得信息安全问题越显突出,而混沌作为20世纪著名的科学发现之一,因其初值的敏感性、内在随机性等特性,被众多学者们应用到了信息安全与保密通信领域的研究中。混沌信号具有随机性,不同类型的混沌系统产生的混沌信号的内在随机性也不尽相同,混沌信号的随机性成为信息安全和保密通信的关键问题。所以,混沌信号的随机性作为混沌动力学特性的一个重要方面成为该领域内重要的研究内容。混沌系统的复杂度是衡量混沌系统产生的混沌序列接近随机序列的程度,混沌序列的复杂度越高,其抗干扰、抗截获的能力就越高,系统的安全性就越好。对混沌序列的复杂度分析有助于我们更好地了解混沌系统的复杂特征。本文就是基于这个研究目标开展的探索性研究工作,用基于熵理论的测度算法来评价和分析混沌序列的复杂度,应用相关特征提取算法对混沌序列进行改进,提高其随机性,并对基于熵理论的测度算法进行优化及改进,提高测度算法的运算效率。主要的研究工作包括:(1)在遗传算法的基本思想和特点基础之上,提出了基于GA的复杂度特征提取算法。算法将混沌子序列作为染色体,近似熵值作为适应度函数,通过交叉进行优化选择,找到序列中复杂度较好的序列。接下来我们又提出了基于GA的双重复杂度特征提取算法,在适应度中添加了排列熵来进一步衡量染色体,改进了交叉策略,找到了两种熵值都比较好的子序列来进行应用。(2)PCA基于离散K-L变换,是统计学中数据分析的一种有效方法,算法用较少的特征量对原始数据样本进行描述,进而达到了降低特征空间维数的目的。为了提高混沌序列的复杂度,我们应用PCA算法对混沌序列进行变换重构。提出了基于PCA的混沌序列特征提取方法,并用该方法对经典Logistic混沌映射信号进行特征提取并重构,应用排列熵算法对序列进行复杂度测试。经过PCA变换后序列的复杂度有了明显的提升。(3)依据数字化混沌序列的特点,对近似熵算法和排列熵算法进行了改进,其中在排列熵算法的改进中,提出了基于哈希过程的快速计算方法。改进后的算法在运行效率上有了较大的提高。(4)依据GPU的原理及发展现状,在针对测量数值化混沌序列复杂度的前提下,对近似熵和排列熵算法分别进行了改进,设计实现了针对这两种算法的GPU加速。两种算法经过GPU加速后,其运行效率不仅得到了大幅提高,而且算法还弱化了算法运行时间对参数的依赖程度。实验结果为混沌序列在信息安全中的应用提供了实验依据。为实现数字化混沌序列复杂度实时测量奠定了基础。