20世纪80年代由J.J.Hopfield和D.W.Tank提出的Hopfield神经网络模型在很大程度上促使了人们对神经网络的重新关注。至今，该模型已被成功应用于各类与优化相关的问题，其中著名的要数旅行商问题。尽管，Hopfield模型的性能要优于大多数的启发式算法。然而，它也有不足之处。其中最明显的缺陷在于采用梯度下降的动态系统导致其容易陷入局部最优。不过，通过对混沌非线性系统的探究，人们提出了几种混沌神经网络从而克服了这一缺陷。本文首先应用其中的一种混沌神经网络，即暂态混沌神经网络，来解决一个经典的并具有许多现实应用领域的NP难的组合优化问题——最大团问题，并对其优化性能作了深入的研究。然后，对该算法进行改造，使其适用于模式识别和大规模集成电路设计等领域。在研究过程中，发现暂态混沌神经网络的运算速度相对较慢。因此在本文最后，通过调整该算法的退火机制对该算法进行了改进，改进后的算法能够迅速地收敛并保持很好的优化性能。