Hopfield神经网络已经在广大领域得到了应用，但是单纯的人工神经网络只是对生物神经网络的简化、抽象和模拟以实现对人脑结构的模仿，这种模仿就目前来说还处于较低水平，为此科学家们一直致力于探索新的理论方法来模拟人体大脑的功能。近年来，人们发现人脑中存在混沌现象，因此将混沌理论引入到Hopfield神经网络中成为近几年科学家们的研究热点。　　混沌的引入使得人工神经网络具有更加复杂的动力学特性，众多学者在对混沌神经网络进行深入研究后，提出了许多混沌神经网络模型。本文基于几种常见的暂态混沌神经网络以及它们的改进模型，分析了改进模型的不足之处，并在其中的一种暂态混沌神经网络模型—噪声混沌神经网络的基础上做出改进，提出新的网络模型。新的网络模型主要对原模型进行了两处改进：首先利用余弦函数改进了增益函数的动态特性，其次根据Logistic映射的变化特性对网络中的噪声项进行改进以控制网络的收敛速率。为了检验新的混沌神经网络模型解决实际问题的能力，将改进模型应用于TSP问题的求解，仿真实验表明新模型在实际应用中获得了预期的效果，比前人所做的模型收敛性更好，显示了其优越性。　　本文的研究工作主要基于以下几个方面的内容：　　1.本文系统的介绍了混沌反馈神经网络的发展历程，研究的现状，前人提出的几种混沌反馈神经网络模型及其潜在应用。　　2.对Hopfield神经网络的基础知识做了简单的介绍，特别是Hopfield神经网络的模型、能量函数及其应用，同时指出了Hopfield神经网络的易陷于局部极小点的缺点。　　3.全面系统的介绍了混沌的定义、特性以及通往混沌的道路，最后重点介绍了典型的混沌系统—Logistic映射的倍周期分岔图像，尤其是在各周期轨道中系统控制参数的取值范围及其变化特点。　　4.分析了单个神经元模型及几种常见的暂态混沌神经网络模型。重点分析了模型的不足之处，并在噪声混沌神经网络模型的基础上做出了两次改进，从而提出了新的暂态混沌神经网络模型。利用新的网络模型应用于函数优化，实验表明网络最终获得了函数的全局最优解。　　5.将新的暂态混沌神经网络模型应用于TSP问题的求解，分析比较其与基本Hopfield神经网络在解决实际应用时所具有的优势。