混沌神经网络具有混沌、分岔、吸引子等丰富的动力学特性，是可实现真实世界计算的智能信息处理系统之一，在人工智能、信息安全、智能搜索、最优化计算等领域具有重要的应用价值，引起了学者的研究热情。但是，关于混沌神经网络模型的设计原理涉及较少，网络拓扑结构和权值学习算法是研究的难点和热点，应用方面的研究还有待深入拓展。因此，本文围绕混沌神经网络的神经元、学习算法和应用三个领域，结合混沌神经网络统一框架理论、Hebb学习规则、自动学习机算法和核函数等，在混沌神经网络的通用设计模型、优化权值矩阵以及在软件缺陷预测和信息安全领域的应用等方面开展研究，主要取得了如下研究成果：　　1.探索和研究混沌神经网络统一框架理论和通用设计模型，对混沌神经网络的构建具有理论指导意义　　分析了 Kwork-Smith统一框架理论，介绍了连续时滞混沌神经网络以及离散时滞混沌神经网络模型；提出一种离散混沌神经网络通用模型设计算法，通过选择恰当的自反馈项、耦合函数和外部激励，强制神经网络产生预期的混沌特性，并能实现模式识别或动态联想记忆等功能，并通过严格的雅可比矩阵、对角占优矩阵和李雅普诺夫指数等分析了网络产生混沌特性的充分条件。　　2.提出基于instar规则和自动学习机（Learning Automata）的混沌神经网络权值学习算法，丰富了学习算法的研究　　通过对传统的Hebb规则学习算法深入分析，指出其作为混沌神经网络的权值学习算法的缺陷；利用instar规则改进无监督Hebb学习算法，使混沌神经网络具有更强的联想记忆和模式识别能力；鉴于Adachi混沌神经网络的神经元突触权值矩阵是一个传统的自动关联矩阵，根据Learning Automata原理提出了新的混沌神经网络权值学习算法，通过混沌特性的分析和模式识别性能的比较，证明了该学习算法的优越性。　　3.引入混沌神经网络解决软件缺陷预测的类不平衡问题，为软件缺陷预测拓展了新的研究方向　　利用混沌神经网络在处理非线性问题上的优势，结合 Kernel函数将非线性不可分数据映射到高维特征空间实现线性可分从而降低计算量的特点，提出了Asymmetric Kernel Partial Least Squares Classifier（AKPLSC）和 Asymmetric Kernel Principal Compo-nent Analysis Classifier（AKPCAC）的方法，并利用混沌神经网络通用模型设计算法，建立了预测模型，解决软件缺陷预测中的类不平衡问题。最后，使用NASA和SOFTLAB的数据通过F-measure与Friedman测试方法，表明提出的算法性能良好，从而为软件缺陷预测拓展了新的研究方向。　　4.研究了混沌神经网络在密码系统方面的应用，提出新的混沌神经网络加密算法　　针对当前混沌神经网络加密系统的缺陷，提出了基于多混沌级联系统的加密算法，具有良好的安全性和较高的计算效率，可应用于快速图像加密；利用时滞混沌神经网络的同步，基于退火控制策略，提出了一种非对称密钥加密系统，通过自适应控制器利用参数的更新变化来同步时滞混沌系统和神经网络，提高了加密系统的计算效率和安全性，数值仿真实验证明了基于退火控制策略的时滞混沌神经网络用于加密系统的可行性和优越性。