对非线性系统的研究成为近几十年来国内外学者特别关注的重要课题,而神经网络作为非线性系统的一种类型又加之它自身具有良好的性能则更备受关注,目前它已经被成功的应用在模式识别、图像处理、人工智能等领域.而Cohen-Grossberg神经网络作为后起之秀则有着自身更为独特的优越性,它不仅与生物网络紧密相连,同时也能在实际应用中较好的解决系统中存在的非线性和不确定问题,因此对这类Cohen-Grossberg型神经网络特性的研究与分析也就逐步成为人们一直以来都关注的焦点和热点之一.本文将以一类时滞Cohen-Grossberg型神经网络为研究基础,根据实际应用的需要,并借助于经典的Lyapunov理论、线性矩阵不等式工具和鲁棒自适应控制方法就该类网络模型的Lagrange稳定性、有限时间有界性和鲁棒指数收敛性问题展开研究和讨论.从而将人们一直以来都倾向于神经网络的稳定性研究推广至更为宽阔的动力学行为研究领域内.本文主要内容如下:第一章概述了神经网络的发展历史和目前对神经网络的研究现状以及本论文将要进行工作的三个不同层面的研究近况和作本论文的意义,并给出论文大纲.第二章研究了具有非自治变时滞的Cohen-Grossberg神经网络的Lagrange稳定性和全局指数吸引集的问题.在不考虑该网络模型平衡点数目的前提下,分别针对两种不同类型的激活函数并同过一个新的引理和构造恰当的Lyapunov泛函得到了此网络模型在Lagrange意义下全局指数稳定的充分性判据并得出了相应存在的全局指数吸引集.最后,通过一个实例对所得结论进行验证.本章结论推广了一般稳定性的结果.第三章主要研究了不确定多时滞的Cohen-Grossberg网络的有限时间有界性问题.依据线性矩阵不等式的理论方法并在拓展有限时间有界概念到该系统的基础上通过恰当构造Lyapunov泛函得到了保证该网络有限时间有界的充分条件,并给出了选取参数的算法分析步骤,最后给出了计算机数值仿真.第四章研究了不确定混合时变时滞Cohen-Grossberg网络的鲁棒指数收敛性的问题.在无需考虑网络平衡点存在并唯一的同时,通过引用一个新的引理并对不确定项加以限制再构造恰当的Lyapunov泛函得到了使得该系统的状态变量能够全局一致指数收敛到空间里的一个球邻域内的时滞无关的充分性判据.最后,通过仿真举例对所得结果加以验证.