非线性非凸优化问题在控制理论和实际应用中是一类非常重要的问题,如机器人运动规划、无人机飞行控制等。同时,在硬件的实际具体实现过程中要达到无噪声污染的理想状态也很难实现。此外,现有文献对非线性非凸优化问题以及其在噪声干扰下的研究甚少。因此,针对变参收敛微分神经网络（Varying-parameter Convergent-differential Neural Network,VP-CDNN）求解非线性非凸问题时仅进行了无干扰下的收敛性分析,论文详细地给出了噪声污染下的Lyapunov理论证明和实验仿真分析。此外,针对固参收敛微分神经网络（Fixed-parameter Convergent-differential Neural Network,FP-CDNN）模型求解带约束非线性非凸优化问题时求解速度慢以及抗干扰能力弱的困扰,论文提出一种新的混合变增益动态学习网络（Mixture Varying-Gain Dynamic Learning Network,MVG-DLN）,并进行了Lyapunov理论证明以及与FP-CDNN模型的对比实验,进一步验证了MVG-DLN模型的良好性能。本文的主要工作包括以下两个部分:1、研究表明VP-CDNN求解优化问题时具有快速以及全局收敛的性能,但是并没有在噪声干扰下进行研究讨论。因此,对VP-CDNN模型求解噪声污染下非线性非凸优化问题进行了研究。首先,通过Lyapunov理论证明了VP-CDNN在有界干扰下的强鲁棒性;其次,分别在随机有界干扰、周期方波噪声干扰和周期三角波噪声干扰下进行了仿真实验,实验结果进一步验证了VP-CDNN的强鲁棒性。2、针对带约束的非线性非凸优化问题,现有的FP-CDNN模型求解有干扰和无扰时性能不够优越的特点,论文中提出一种混合变增益动态网络模型。首先,对带约束的非线性非凸优化问题通过KKT条件和投影定理转换成神经动力学模型。其次,将神经动力学模型通过数学变换得到混合变增益动态网络模型。然后,对于已得到的MVG-DLN模型,通过Lyapunov理论对其进行收敛性和鲁棒性的证明。最后,进行了MVG-DLN模型与FP-CDNN模型作比较的数值仿真实验,更加突出了混合变增益动态网络模型的优越性能。特别地,还进行了高维度的仿真,实验结果进一步验证了在解决高维度的带约束非线性非凸优化问题时,MVG-DLN模型依旧表现出良好的收敛性能和强鲁棒性。