Das Hopfield Modell ist ein neuronales Netzwerk und kann als assoziativer Speicher genutzt werden. In dieser Dissertation wird die Dynamik des Hopfield Modells modifiziert, sodass eine höhere Speicherkapazität erreicht werden kann. Neben Mustern mit unabhängigen Einträgen werden auch Muster mit korrelierten Einträgen verwendet. Die Arbeit leitet Ergebnisse für eine polynomielle und für eine exponentielle Dynamik her. Des Weiteren wird ein inhomogenes Hopfield Modell definiert. Hierbei führt ein größerer Abstand zwischen Neuronen zu einer verminderten Signalstärke. In diesem Modell wird die Speicherkapazität für einen regulären Graphen, einen Gittergraphen sowie einen Galton-Watson Baum berechnet.