微弱信号检测既是科学技术发展的迫切需求，也是工程技术中人们获取各种有用信息的重要手段。微弱信号一般幅值极小，信噪比很低，且经常被强噪声淹没，传统的检测方法很难取得理想效果。由于混沌检测系统具有对小信号的敏感性和对噪声的免疫力等特性，因而，将混沌理论引入微弱信号检测领域成为目前的研究热点。　　本文围绕基于混沌的微弱信号检测算法展开研究，主要工作如下：　　首先简要介绍混沌的定义与基本特征，对几种典型的混沌动力学系统做分析，并着重研究混沌特性的判据。列举到直观法、定量法、解析法三类混沌状态判别方法，并通过比较指出各种判别方法的优缺点与适用范围。　　其次，为了有效抑制噪声，进一步降低系统的信噪比检测门限，对传统的混沌振子微弱信号检测算法进行优化。同时考虑到LMS自适应滤波算法不需要信号与噪声的先验知识，通过自动调整滤波器系数实现最佳滤波的特点，提出结合自适应滤波的混沌振子微弱信号检测算法。仿真结果表明，与结合自相关的混沌振子微弱信号检测算法及结合互相关的混沌振子微弱信号检测算法相比，该算法能够实现更低信噪比的微弱信号检测。　　再次，针对现有的神经网络预测算法复杂、预测精度极低、收敛速度慢的问题，考虑到差分进化算法具有较强的全局搜索能力、受控参数少、原理简单和容易实现的特点，对基于RBF神经网络混沌时间序列预测算法进行优化，提出结合差分进化算法的RBF神经网络混沌时间序列预测算法，并将其应用于混沌背景中的微弱信号检测。仿真实验表明，与结合遗传算法的RBF神经网络混沌时间序列预测算法相比，该算法既能提高检测的速度，也能提高预测的精度。　　最后，对本文的研究工作进行总结，并对未来的研究工作进行展望。