人类大脑是一个高度复杂且规模庞大的非线性动力学系统，其动力学行为与人类智能活动密切相关。基于忆阻器的人工神经网络不仅可以很好地模拟人脑工作机制，而且其非线性特性可以为神经网络带来更为丰富的动力学行为。为了进一步发挥神经网络的优势，引入一种新的具有负阻态功能的忆阻器模型，该模型打破了原有忆阻器的阻态极性限制，为忆阻器扮演神经网络突触仿生器件提供了更加丰富的变化性能。在对忆阻器模型分析的基础上，提出了一种新的忆阻Hopfield神经网络(HNN)，进一步加强了HNN的负反馈功能，使之表现出更加丰富和复杂的动力学行为。实验结果表明，新忆阻HNN拥有较为丰富的动力学行为，具有一定的混沌特性。在不同的忆阻器参数以及权值矩阵取值条件下，观察系统的相位轨迹图、Lyapunov指数的变化情况，并与同类型网络进行对比，进一步证明提出的神经网络的有效性，同时复杂的动力学特性也为在数据处理、图像加密等方面的应用提供了研究支撑。