复杂背景中的微弱目标信号检测大多基于统计检测理论。即把背景信号看作随机噪声，建立其统计模型。模型的好坏将直接影响到检测的效果。而复杂背景的建模常常是较为困难的。近年来的研究表明，很多复杂信号具有混沌特性。因此，研究利用背景信号的混沌特征来检测淹没其中的微弱信号具有重要的理论意义和应用价值。文章首先研究了从单一观测时间序列中重构出原混沌动力系统的算法。在此基础上，提出了混沌背景中微弱信号检测的神经网络方法。该方法基于复杂非线性系统的相空间重构理论和混沌信号可短期预测的特征，利用神经网络强大的学习和非线性处理能力，建立混沌背景噪声的一步预测模型，从预测误差中检测淹没在混沌背景噪声中的微弱目标信号(包括周期信号和瞬态信号)，改善了信噪比。并指出了目标信号为瞬态信号和周期信号时检测原理的异同点，进一步研究了混沌背景中存在白噪声时该方法的检测能力。文章以Lorenz混沌系统作为背景噪声进行了仿真实验，定量地研究了本方法的检测能力。数据表明，该方法能有效地将混沌背景中极其微弱的信号检测出来。文章将混沌理论应用到实际采集的海杂波数据中，用不同的方法计算了海杂波的关联维、最大Lyapunov指数，结果表明海杂波具有混沌特征。在此基础上，提出了强海杂波中的微弱目标信号检测的神经网络方法，给出了雷达检测的模型。