调度问题是工农业生产、国防、科研、交通运输以及各种服务行业中普遍遇到的问题。调度问题要研究的主要内容就是根据产品制造需求合理分配产品制造资源，进而达到合理利用产品制造资源、提高企业经济效益的目的。无等待流水调度问题是目前应用系统中最常见的一类调度问题，理论上已经证明无等待流水调度问题为NP问题，因此研究能够在较短时间内得到高质量近似最优解的调度算法具有重要意义。 考虑最小化最大完工时间（Makespan）和最小化总完工时间（Total Flow-Time）的无等待流水调度问题，提出基于Hopfield神经网络（HNN）的可变化阈值混沌模拟退火（Variable Threshold Chaotic Simulated Annealing，VTCSA）神经网络算法和基于构造优化神经网络（Constructive-Optimizer Neural Network，CONN）的CONN算法、NCONN（New Constructive-Optimizer Neural Network）算法。将无等待流水调度问题对应的约束优化问题转化为无约束优化问题，通过构造适当的能量函数将无等待流水调度问题映射到Hopfield神经网络上；向神经元的阈值添加一个逐渐减小的因子，采用可变化的神经元阈值扩大神经网络的搜索空间，增大神经网络发现全局最优解的概率；利用竞争学习算法在插入操作的邻域内搜索以提高解的质量，通过网络在构造状态和优化状态间切换，使得CONN、NCONN具有跳出局部极小值的能力。 通过使用Taillard标准测试实例，将CONN、NCONN与目前最好的几个快速算法（DS算法、目标增量法和PH1P算法）进行比较。结果表明：对于最小化Makespan问题，小规模问题DS算法能够得到最好的结果但比CONN算法花费更多的时间，大规模问题CONN算法在时间性能和结果的最优性方面都优于DS算法和目标增量法；对于最小化Total Flow-Time问题，中小规模问题NCONN算法在时间性能和结果的最优性方面都优于PH1P算法，大规模问题NCONN算法花费的时间稍多于PH1P算法但能够得到最好的结果。