众所周知，密码技术和安全协议是保证通信安全的关键所在。但是随着计算机和通信技术的迅猛发展，各种密码破解方法和协议攻击算法不断出现，传统的密码技术和安全协议已不能满足日益增长的安全通信需求。因此，研究新型的密码协议已成为当今互联网领域的热点。在此基础上，W.Kinzel等国外学者提出了神经密码模型，该模型是基于两个具有相同结构的神经网络相互学习，最终达到权值相同即完全同步。本论文采用的树形奇偶机模型（Tree Parity Machine，简称TPM），它是一个拥有特殊结构的且更为复杂的神经网络。我们发现其相互学习效率要比单向学习效率更高。在相互学习的情况下，同步时间是以突触深度（即参数L）的平方级来长；而在单向学习的情况下，同步时间以L的指数级增长。因此，神经网络可用于构建密码协议中的密钥交换协议。本论文首先讨论了神经网络密码学的研究背景和发展现状，对该领域的相关概念及理论基础、主流的神经网络同步模型和现有的攻击算法进行了综述，在分析现状的基础上，重点针对神经网络同步过程中通信次数过多的问题，设计了一个新颖的方案。本论文的工作主要涉及以下几个方面：①详细分析了现有的神经网络同步模型（TPM）。首先作者编程实现了树形奇偶机模型，并通过大量仿真实验分析其动力学特性。实验结果发现，神经网络模型的同步在同步效率上存在着重要的瓶颈问题，也即是，其同步效率与某些参数有关；②针对以上问题，作者首先提出了基于Hash函数的同步判定算法，以此提高了同步判定效率；③对神经元初始权值的选取范围进行修正，进而提出了一个新颖的改进方案，大大加快了同步速度，同时与几种经典学习规则相比，在极限情况下同步性能增加了50%左右；④利用主流的攻击算法，对新颖的改进方案进行了安全实验与对比性分析，大量仿真实验结果表明：新的改进方案能有效地保证通信安全。