人工神经网络具有大规模的并行处理机制和能够快速收敛到最优解等优势。而非光滑非凸优化问题广泛的出现在各类科学与工程应用中,其中伪凸优化问题是一类比较特殊的非凸优化问题,因此利用人工神经网络解决伪凸优化问题具有很大的研究价值。针对现有的神经网络模型存在的不足,本文提出两类不同的神经网络以解决同时包含不等式和等式约束条件的非光滑伪凸优化问题。主要研究工作如下:首先,本文基于微分包含理论和惩罚函数思想,提出了一种单层的递归神经网络模型。与现有的神经网络模型相比,该模型对初始点的选取没有任何特殊的要求,结构简单仅为单层,且不需要预先计算精确的罚因子。而且通过严谨的理论分析,证明了对于任取的初始点,神经网络的状态解在有限时间内收敛到可行域且一直驻留其中,最终收敛于原问题的最优解。最后,通过数值实验验证了理论的正确性。其次,本文基于微分包含理论和惩罚函数思想,引入正则项,提出了另外一种新颖的递归神经网络模型。同样也是通过严谨的理论分析,证明了对于任取的初始点,神经网络的状态解在有限时间内收敛到可行域且一直驻留其中,最终收敛于原问题的最优解。最后,通过数值实验验证了理论的正确性。该模型的优势是不需要预先计算复杂的罚参数,初始点能够任意选取没有任何特殊要求,且结构简单仅为单层。