众所周知，神经网络广泛应用于各个领域，而其应用的基础和前提是其性能的好坏，即神经网络的稳定性。在神经网络应用的过程中，主要存在两个方面的因素破坏其稳定性，一方面是时间延迟现象，另一方面是参数的不确定性。因此，为了更好地发挥神经网络的应用价值，对于时滞神经网络的鲁棒稳定性讨论是极其重要的。在本文中，我们主要研究两类时滞神经网络的鲁棒稳定性。首先，研究了带有一般激励函数神经网络的鲁棒指数稳定性。与目前一些结论相比，我们取消了激励函数的全局Lipschitz条件，因此，更具有一般性。在此部分中，利用拓扑度理论证明了平衡点的存在唯一性，接下来运用Lyapunov稳定性定理证明了此类神经网络的全局鲁棒指数稳定性，并举例说明了本结论的优越性。其次，研究了具有反向Lipschitz激励函数神经网络的鲁棒稳定性。激励函数满足反向Lipschitz这一特征具有非常重要的应用价值，引起了越来越多学者的关注。在本文中，我们给出确保此类神经网络鲁棒稳定性的充分条件，并通过数值算例验证了所得结论的有效性。