神经网络的学习研究在许多工程领域扮演着重要的角色,而神经网络系统的稳定性又是研究神经网络系统的一个非常重要的环节。目前,国际上有关时滞神经网络稳定的文章不计其数。时滞的存在是导致神经网络系统出现不稳定甚至瓦解的主导因素,并且时滞的存在又是不可避免的。现在许多有关神经网络系统稳定性的成果大多都是尽量的扩大系统所允许的最大的时滞范围。为了扩大所允许的最大的时滞的范围,在研究神经网络系统过程中,我们经常会采用Lyapunov稳定性理论相关知识,线性矩阵不等式技巧,建立若干恒等式等方法和技巧,合理而巧妙的降低结论的保守性。在本文中,主要对变时滞细胞神经网络,具有分布时滞以及时变离散时滞神经网络以及BAM神经网络的全局渐近稳定性进行一系列的分析。这篇文章的主要研究内容如下:研究了带有变时滞细胞神经网络系统的全局渐近稳定性问题。在这一部分,我们在已有文献的基础上恰当的划分时滞区间、构造恰当的函数()tV y、利用线性矩阵不等式技巧等,分类导出保证系统全局渐近稳定的新的判别标准。最后,通过实例说明本章结论的可行性,并且与已有的文献相比,本文获得的结论降低了结论的保守性。研究了具有分布时滞以及时变离散时滞神经网络系统的全局渐近稳定性问题。利用区间划分方式,将时滞区间划分为若干恒定的以及可变的小区间,并且在不同的小区间上构建不同的Lyapunov-Krasovslii函数、以及结合Schur补引理、LMIs技巧、构造若干不等式以及恒等式等技巧,分别推导出满足系统全局渐近稳定的新依据。最后,通过实例说明本章结论的合理性,获得了比已往的一些文献保守性更低的结论。研究了BAM神经网络系统的全局渐近稳定性问题,并且基于LMIs技巧得出保证系统全局渐近稳定的的主要结论。利用区间划分技巧对时滞区间进行划分,构造恰当的函数(,)i t tV x y,结合建立的若干不等式以及恒等式,对(,)t tV x y?的上界进行处理,得出保证系统全局渐近稳定的结论。最后,通过实例说明本章结论的可行性,并且与已有的文献相比,本文获得的结论降低了结论的保守性。