混沌就是指在确定性系统中出现的一种貌似无规则的类似随机的现象。由于这个性质,使它可以被应用于科学的各个领域。近来人们发现混沌理论可以用来理解人脑中某些不规则的活动,因此对于混沌神经网络的研究也就成为摆在人们面前的又一新课题。不同于仅具有梯度下降特性的常规神经网络,具有混沌特性的神经网络具有更加丰富的远离平衡点的动力学特性,而且还同时存在各种吸引子。混沌神经网络的这种复杂的动力学特性使它在信息处理和优化计算等方面有着广泛的应用前景。本文对混沌神经网络进行了深入的研究。首先系统的介绍了混沌动力学的基本理论,给出了混沌的概念和定性特征、Lyapunov指数、测度熵等,并列举了两种最为典型的混沌系统——Logistic映射和洛伦兹方程,进行了详细的分析。然后给出了Hopfield神经网络模型,并利用连续型Hopfield神经网络(CHNN)模型求解旅行商问题(TSP)。接着在此基础上给出了一种基于退火策略的混沌神经网络(ACNN)算法,并进行了重点研究。它将混沌机制引入Hopfield神经网络(HNN),利用混沌的遍历性进行随机搜索,再由退火策略控制混沌动态退出和倒分岔出现,使ACNN逐渐趋于一般的HNN。这样既避免了陷于局部极小,又加快了收敛速度,使网络能快速收敛到一个全局最优或近似最优的稳定平衡点。仿真结果表明,这是一种能有效解决局部极值问题的全局最优化算法。最后,本文又设计出了一种改进的基于退火策略的混沌神经网络(IACNN)算法。仿真结果表明,它具有更快的收敛速度。