本文主要研究了现有的几种混沌神经网络模型和混沌神经网络的应用,并采用变初值方法改善了混沌神经网络的性能。混沌神经网络是人工智能研究的一个新领域。暂态混沌神经网络(TCNN)第一次把混沌机制引入神经网络,是目前混沌神经网络研究中提出的一个典型模型。TCNN模型利用初始阶段网络中混沌的各态遍历性寻找全局最优解,随着混沌控制参数的减小,混沌逐渐消失,网络退化成Hopfield神经网络(HNN),在其梯度下降机制的作用下收敛于可能的全局最优解。TCNN利用混沌各态遍历性减小了HNN陷入局部极小的概率。而且初始阶段混沌持续的时间越长,TCNN得到全局最优的几率越大。因此,延长退火时间和改变初始阶段网络的混沌程度成为现有TCNN改进模型的两个出发点。指数退火混沌神经网络(EACNN)和噪声混沌神经网络(NCNN)正是基于这两个方面进行改进的。研究发现:如果混沌神经网络的初始值距离网络全局最优收敛域在轨道意义上很远,则需要混沌持续的时间非常长,才能够保证在混沌状态结束后HNN能找到全局最优解。但是这将使效率变得非常低,甚至不可能实现。因此本文中提出了变初值暂态神经网络,在常规方法选择的初值在短时间内不能得到最优解时,用混沌映射寻找新的初值进行新搜索,直到找到全局最优解。应用结果表明:这种方法能得到更高的收敛率,同时搜索步数也比现有混沌神经网络小。本文最后尝试了将混沌神经网络应用于图像优化问题,并得到了初步的结果。