尽管人工智能领域经过几十年的发展已经取得了显著的成果，但是就目前来说我们对于大脑—思维—计算之间关系的研究还刚刚起步，关于脑的计算原理及其复杂性，关于学习、联想和记忆过程的机理及其模拟等方面的研究还处于初级阶段。为了更好的理解人脑信息处理的过程，我们有必要以人工的方法模拟人脑的某些功能。这些方法主要包括：模糊逻辑、人工神经网络和混沌动力学等等。这些学科都属于新兴起的边缘科学，当多种边缘学科发展起来之后，人们往往会注意研究各学科之间的联系，找出其共同的本质。对于模糊逻辑、人工神经网络和混沌动力学的研究也应如此。 模糊逻辑、人工神经网络和混沌动力学都能够反映人脑实现信息处理机理的某一方面，而现存的各种人工神经网络都只能反映这三方面中的一个或者两个方面，也就是说它们没有同时从这三方面考虑建立一种实现人工智能的新方法。本论文从模糊逻辑、人工神经网络和混沌动力学三方面出发，探索它们之间的相互交叉和融合，在对现有的各类混沌神经网络进行深入研究和改进的基础上，对三者结合方面即模糊混沌神经网络进行研究，试图从另一侧面更加全面的了解人脑处理信息的过程，从而推动人工智能科学向前发展。 本文所作的工作主要有： 首先，简要介绍Wang-Smith混沌神经网络模型并深入分析该模型的动力学特性，这主要包括两个方面：一方面是分析只含有一个神经元时系统的Lyapunov特征指数、分岔现象以及系统的耗散性；另一方面是分析含有多个神经元时系统的Lyapunov特征指数和系统的耗散性。在此基础上，提出一种改进的Wang-Smith混沌神经网络模型，并且从单个神经元和神经网络两个方面深入分析该模型的动力学特性。仿真结果进一步证明了对于以上两种模型理论分析所得结果的正确性，并且表明了改进后的Wang-Smith混沌神经网络的性能优于以前的Wang-Smith混沌神经网络。 由于现存的各种神经网络很难逼近非线性动态系统特别是混沌系统，本文提出两种基于混沌映射的神经网络模型，其中一种是基于多层前向神经网络提出的，而另一种是基于对角递归神经网络提出的。仿真结果表明，与以前的神经网络模型相比，这两种模型具有较强的逼近动态非线性系统的能力。 本文提出一种基于混沌映射生成纹理图像的新方法，该方法具有实现简单、可以生成大量纹理图像、节省存储空间等优点。 基于模糊数神经网络的实现方法，本文提出一种模糊混沌神经元模型，详细分析了其特性，并且给出了构建模糊混沌神经网络以及确定混沌神经网络联接权值的方法。