رفتارهای آشوب گونه به صورت میکروسکوپیک در نورون ها و ماکروسکوپیک در عملکرد مغز گزارش شده اند. این شواهد باعث شدند تا بسیاری از محققین به دنبال وارد کردن نظریه آشوب در شبکه های عصبی کلاسیک باشند تا با طراحی شبکه های عصبی آشوب گونه به ابزار پردازشی قوی تری دست یابند. در این پروژه به منظور بررسی تأثیر آشوب در افزایش کارایی پردازش اطلاعات توسط شبکه های عصبی دو نوع شبکه آشوب گونه طراحی شده است. نوع اول براساس نظریه انتخاب طبیعی عمل می کند. طبق این نظریه یک حل کننده مناسب مسیله باید دارای دو ویژگی مهم باشد. اول اینکه توانایی خلق راه حل های احتمالی مسیله را دارا باشد. دوم اینکه دارای یک قانون یا هوش باشد که این تنوعات را در جهت نزدیک شدن به جواب اصلی هدایت نماید. برای ایجاد تنوعات از گره های آشوبی با تابع لجستیک و برای طراحی هوش هدایت کننده تنوعات از شبکه عصبی کلاسیک استفاده نموده ایم. با استفاده از این تکنیک توانستیم در شرایطی که صحت بازشناسی شبکه ndram ( یک شبکه بازگشتی کلاسیک) 40% می باشد به صحت بازشناسی 80% برسیم. از این تکنیک استفاده کرده و صحت بازشناسی یک شبکه بازگشتی برای باز شناسی ارقام دست نوشتار مجزای انگلیسی را از 4/91% به 5/94% رساندیم. در نوع دوم از شبکه عصبی آشوب گونه ی طراحی شده در این پروژه روشی برای پویا سازی وزن های شبکه های جلوسوی کلاسیک که ایستا می باشند ارایه شده است. در این شبکه وزن های آشوب گونه را طوری سنکرون کردیم که خطای شبکه کاهش یابد. این روش به یک شبکه عصبی جلوسو که دارای صحت بازشناسی 9/96% ارقام دست نوشتار مجزای انگلیسی می باشد اعمال شد و توانست تمامی اشتباهات این شبکه را تشخیص دهد.