神经网络(Neural networks)是一种复杂的大规模动力学系统,它被视为能够有效逼近非线性网络控制系统的工具之一,因而被广泛地应用到图像处理、模式识别、人工智能、信号处理等领域。当前关于神经网络的研究及应用成为网络控制系统中的一个研究热点。网络带宽的有限性会给网络控制系统带来数据丢包、网络诱导时延、数据安全等问题。这些问题可能导致通信网络堵塞甚至崩溃,从而影响正常的信息传输过程。为了节省传输不必要数据而占据的有限网络资源,学者们将事件触发机制引入到网络控制系统。基于事件触发的神经网络的控制综合问题研究受到了广泛的关注。尽管将通信网络引入到神经网络中有助于提高信息传输的时效性和便捷性。但是由于通信网络信道的开放性,使得网络控制系统容易受到网络攻击,进而影响系统稳定和性能,比如会降低系统达到稳定的收敛速度等。针对时滞神经网络的安全控制问题研究还不够丰富。因此研究网络攻击下时滞神经网络的稳定性及应用具有重要的理论和现实意义。在考虑上述的网络资源受限与网络攻击的基础上,本文的主要工作是分析时滞神经网络的稳定性,并进一步研究了控制器与状态估计器的设计问题。主要研究内容如下:第一章节中首先介绍了神经网络控制系统的研究现状,并着重介绍了资源受限下网络控制系统中的数据传输机制及数据传输安全问题的研究现状,并给出了必要的引理以及符号说明。在第二章中构建出一个一体化复杂网络攻击模型,其中包括三种常见的网络攻击:欺骗攻击、重放攻击和拒绝服务攻击(denial-of-service attacks,Do S attacks),研究了网络攻击下基于自适应事件触发的神经网络控制器设计问题。本文利用自适应事件触发机制和量化机制来解决资源受限的问题。其次,考虑到拒绝服务攻击的影响,整个区间重新划分为若干区间,在不同的区间上构造合理的Lyapunov-Krasovskii泛函,并利用Schur补定理、Jesen不等式等处理方法,推导出满足系统稳定的依据,进而得到控制器的设计方法。最后,利用Matlab中Simulink来验证控制器设计的合理性。第三章主要研究了网络攻击下基于事件触发的神经网络的状态估计融合问题。本章同样采取了复杂网络攻击模型,并利用事件触发机制来减轻网络负载,在综合考虑测量噪声、外部扰动、诱导时延和网络攻击的影响下,建立了状态误差系统。通过构造合理的Lyapunov函数,获得系统满足稳定和H_?性能的充分条件,进而得到估计器增益和融合参数的设计方法。最后利用神经网络的数值仿真例子,来证明结果的有效性。在第四章中针对本文的主要研究内容进行了总结,同时指出本文的不足之处和今后工作的研究方向。