作为一类复杂非线性信息处理系统,神经网络具有抗失真、抗噪声、自学习、自适应等功能特征,并在凸优化计算、语音识别、联想记忆、安全通信等许多领域得到了广泛的应用。在神经网络实现过程中,一方面,由于神经元之间传递信息的速度和网络硬件的限制,可能会出现时滞现象。时滞的存在可能导致分叉、震荡、发散等负面影响。另一方面,神经元所处的环境容易受到各种各样的外界干扰,从而可能破坏网络的性能。另外,由于神经元之间的高度互联,直接获得所有神经元的状态信息相当困难。故神经网络的状态估计也尤其重要。基于以上分析,本文针对受扰时滞神经网络的控制与滤波问题开展了进一步的探讨,并获得了一些新的结果。以下是本文主要工作的简介:（1）研究了受扰时滞神经网络的耗散控制问题。分别考虑了变时滞和常时滞两种情形。通过选择合适的Lyapunov-Krasovkii泛函,并利用一些不等式,建立了学习规则以保证网络是渐近稳定的和扩展耗散的。最后,通过两个数值示例验证了该学习规则的有效性和低保守性。（2）研究了受扰时滞神经网络的有界控制问题。分别考虑了连接权矩阵已知和时滞连接权矩阵已知两种情形。借助一些不等式并结合Lyapunov理论,设计了学习规则以保证神经网络是有限时间有界的。所需学习规则的充分条件以线性矩阵不等式的形式给出。最后,通过一个数值示例来说明所设计权重学习规则的适用性。（3）研究了受扰时滞神经网络的无源滤波问题。分别考虑了任意切换和semi-Markov切换两种情形。通过选择Lyapunov泛函和使用一些不等式技巧,给出了能使滤波误差系统从噪声干扰到输出误差不仅指数稳定,而且指数无源的充分条件。所需滤波器的增益矩阵可通过求解一系列线性矩阵不等式获得。最后,通过两个数值示例来说明所设计滤波器的有效性。