Hopfield神经网络对人工神经网络的发展具有重要的意义，在解决优化问题上尤为重要。多进制信号的Hopfield神经网络盲检测算法具有不依赖统计量、抗干扰性能强等优点符合现代通信系统的需求。在处理多进制信号时，Hopfield神经网络在寻找最优解的过程中会陷入局部最优或多次迭代都找不到最优解。针对该问题，以MPSK信号为发送序列，本文主要做出了如下几点创新：　　（1）本文的第二章在文献提出的幅相型离散多电平Hopfield神经网络（CHNN_APHM）模型结构基础之上引入固定扰动、自扰动、退火扰动这三种扰动因子，设计出带扰动的幅相型离散多电平Hopfield神经网络盲检测算法，同时给出新算法的网络结构和动态方程，并证明新网络的稳定性。仿真实验结果表明新提出的算法与CHNN_APHM盲检测算法相比，在文献常见信道下有更强的抗干扰性能，所需的最小数据量更小，其中带自扰动的DCHNN_APHM算法性能最佳。　　（2）针对CHNN_APHM算法易陷入局部最优、需要多个起点等缺点，本文的第三章将暂态混沌神经网络（TCNN）引入到MPSK信号盲检测中，提出幅相型离散多电平混沌神经网络（CTCNN_APHM）的盲检测算法，同时给出新的网络结构和对应的动态方程组，数学上分别证明了新的神经网络在同步模式和异步模式下的稳定性。实验仿真结果表明新算法在文献常见信道下的抗干扰性能强于CHNN_APHM算法，收敛所需的起点数也大幅降低，算法所需的数据长度缩短为原来的一半，但由于TCNN精细搜索能力的特点导致CTCNN_APHM算法收敛所需的时间变长。　　（3）本文第四章主要解决CTCNN_APHM算法收敛速度慢的问题，通过改进退火策略提高算法收敛速度，给出基于分段退火和对数退火的两种改进的CTCNN_APHM算法。实验仿真结果表明改进退火策略后的ICTCNN_APHM算法收敛速度相对于改进前有了大幅提高，同时也保证了该算法在文献常见信道下较强抗干扰性能的优势。两种退火策略的表现均能很好的解决第三章遗留下来的问题。