本文研究了几种用于求解组合优化问题的混沌神经网络计算模型。主要研究工作有：针对单独使用暂态混沌神经网络(Transiently Chaotic NeuralNetwork，TCNN)求解很难得到中国旅行商最优解的问题，提出暂态混沌神经网络与领域搜索结合的算法；与Chen和Aihara提出的混沌模拟退火对应，提出暂态混沌神经网络非混沌模拟退火思想；提出基于暂态混沌神经网络的线性激活函数的退火网络，进一步改进了暂态混沌神经网络；提出利用混沌神经网络结合2交换搜索算法来产生一种新的混沌神经网络算法，并旅行商问题(TravelingSalesman Problem，TSP)上的仿真计算证实其的优异的组合优化问题求解能力。　　 本文第一章和第二章对论文的研究工作的背景做了阐述，详细介绍了Hopfield网络，混沌神经网络和暂态混沌神经网络的研究历史，网络模型，计算原理和计算机制。　　 第三章提出了暂态混沌神经网络和领域搜索相结合的算法。组合算法通过在暂态混沌神经网络的计算结果上进行领域搜索，在用于中国旅行商问题的求解时得到了中国旅行商问题的最优解，并获得较好的最优概率。同时第三章也提出了暂态混沌神经网络非混沌模拟退火思想。暂态混沌神经网络非混沌模拟退火通过改变TCNN的反馈连接权值去除混沌模拟退火中的暂态混沌搜索部分。在TSP上对非混沌模拟退火和混沌模拟退火的仿真计算和结果对比分析证明非混沌模拟退火在不改变计算质量的前提下节约了暂态混沌神经网络很多的计算时间。　　 第四章提出了基于暂态混沌神经网络的一种改进型网络。在原来暂态混沌神经网络的基础上，通过使用线性带阀值的激活函数替代原来S型激活函数，获得了比暂态混沌神经网络求解能力更优异的退火网络。新网络模型被称为梯度下降退火网络。在10城市到105城市等多种规模TSP上的计算实验证明了梯度下降退火网络具有比暂态混沌神经网络及其改进型优异的全局搜索能力。　　 第五章给出一种混沌神经网络融合2交换搜索算法的新算法。这种混沌神经网络算法直接在离散解空间中进行混沌退火搜索，从而避开了原混沌神经网络组合优化算法存在的收敛问题。重点介绍了固定退火权重的混沌网络算法和多退火混沌网络算法，并将这两种算法用于TSP的求解。与较好的组合优化算法相比，如模拟退火算法，粒子群算法和蚁群算法等，新的混沌神经网络算法可以与它们相媲美。