动态神经网络由于其高效的并行处理能力被应用于求解时变问题。终态神经网络的提出为时变计算问题的求解方法提供了一条途径。现有的神经网络动态处理方法多是渐近收敛的动态特性，而终态神经网络引入终态吸引子，改进了网络的收敛性能。本文讨论一类终态神经网络和终态计算问题，对不同时变问题提出计算方法，并进行收敛性分析。进一步地，将终态神经网络用于冗余机械臂重复运动规划。本文的主要研究工作如下:　　1.基于渐近收敛的递归神经网络方法，提出四种不同形式的终态神经网络，并且给出其收敛性和稳定性的证明。分析结果表明终态神经网络模型具有有限时间收敛的特性，并且可以获得较高的收敛精度，为了加快收敛的速度，可以采用不同的激励函数设计神经网络动态模型，以提高动态系统的响应时间。　　2.针对时变矩阵求逆计算和Sylvester时变矩阵方程求解两类问题，以四种不同的终态神经网络为求解方法，构建不同的网络求解模型，给出仿真算例，求得计算结果。通过给出不同的系统设置参数，分析动态系统的误差收敛情况，并且和以渐近神经网络方法计算得到的数据作比较，验证了终态神经网络的有效性。　　3.针对时变不等式矩阵方程求解和时变广义逆矩阵方程求解两类问题，以四种不同的终态神经网络为求解方法，构建不同的网络求解模型，给出计算算例，求得计算结果。通过给出不同的系统设置参数，分析动态系统的误差收敛情况，并且和以渐近神经网络方法计算得到的数据作比较，验证了终态神经网络的有效性。　　4.针对时变二次规划问题，分析其求解的过程，获得时变等式矩阵方程。给出四种有限时间收敛的终态神经网络模型，结合计算算例，求得方程的解。通过和已有的渐近神经网络求解方法相比较，验证了所提方法的有效性。　　5.针对速度层的冗余机械臂重复运动轨迹规划问题，考虑机械臂各个关节角初始位置偏离期望位置的情况下，提出一种基于终态吸引优化的重复运动规划方案，将所提出的方案转化为一个二次优化问题，以终态神经网络进行求解，计算结果验证了所提方案的有效性和可行性。　　6.针对速度层的移动机械臂重复运动规划问题，同样，考虑机械臂各个关节角初始位置偏离期望位置的情况下，将可移动底座和可伸展机械臂相互结合，给出一种基于终态吸引的冗余度解析方案，将该方案转化为二次优化问题，以终态神经网络求解，计算结果验证了所提方案的有效性和物理实现可行性。