近几十年来,神经网络的理论研究得到了飞速发展,其技术也得以空前完善,这些为神经网络解决实际工程问题奠定了坚实的基础。神经网络在无人驾驶、金融预测、图像处理等众多领域有着广泛的应用。随着系统日益复杂化、规模化,网络传输系统渐渐融入神经网络,此时需要考虑很多问题,比如数据传输产生的延时、数据量化产生的误差、外界干扰产生的不确定性、信道传输产生的衰减等等。这些问题不仅影响系统的性能,甚至会影响系统的稳定性。自然界中同步现象普遍存在,同步现象导致的结果可能是好的,也可能是坏的。因此,研究神经网络多系统间的同步问题一方面可以拓展有利行为的应用,另一方面避免坏结果的发生。实际工程中,由于系统特性的差别导致参数不匹配问题普遍存在,因此,研究系统的拟同步具有重要的意义。本论文正是以神经网络为模型,研究神经网络在网络化环境下的状态估计和拟同步问题。本论文的主要研究内容如下:(1)第2章研究了耦合矩阵存在跳变的时延神经网络的状态估计问题。针对神经网络的耦合不确定性问题,引入了 Markov跳变区间矩阵模型。同时考虑到通信信道传输信号引起的网络时延问题,引入了模态依赖的传输时延模型。通过设计模态依赖的估计器和Lyapunov泛函,得到了增广系统满足随机稳定和耗散性能的充分条件并设计了模态依赖的估计器增益。基于神经网络的数值仿真,验证了结果的有效性。(2)第3章研究了耦合矩阵存在不确定性和传感器带有非线性的周期神经网络的状态估计问题。采用多面体模型描述了神经网络的耦合不确定性问题。采用Bernoulli随机模型刻画了传感器随机出现非线性的现象。通过设计多面体模型和周期信息依赖的Lyapunov泛函,得到了增广系统满足随机稳定和H∞性能的充分条件并设计了估计器增益。基于周期神经网络的数值仿真,验证了结果的有效性。(3)第4章研究了传感器能量受限条件下的时变神经网络的状态估计问题。引入了Bernoulli随机模型描述传输信道的丢包问题。为了减少数据丢包同时考虑传感器的寿命,提高网络性能,引入了传感器低能量发送数据且丢包重传策略。通过设计合理的Lyapunov泛函,得到了增广系统满足有限域l2-l∞性能的充分条件并设计了估计器增益。基于神经网络数值仿真,验证了结果的有效性。(4)第5章研究了参数不匹配的主从神经网络的拟同步问题。引入范数有界模型描述了主神经网络的连接权重矩阵的不确定性问题。通过设计Lyapunov泛函,得到了同步误差系统在均方意义下满足拟同步的充分条件并设计了控制器增益。基于神经网络数值仿真,验证了结果的有效性。(5)第6章研究了耦合结构存在跳变的时变时延主从神经网络的拟同步问题,同时考虑了参数不匹配和不可靠的传输信道问题。采用一组期望不同并独立分布于[0,1]区间的随机变量描述了信道传输衰减问题。针对传输信道过载的问题,提出了脉冲驱动策略并设计了对应的脉冲控制器。建立了同步误差系统并得到了同步误差系统达到拟同步的充分条件。为了使得同步误差系统的拟同步边界最小化,提出了基于线性矩阵不等式的迭代优化算法并设计了控制器增益。基于神经网络数值仿真,验证了结果的有效性。