Clifford代数(几何代数)由William K. Clifford (1845-1879)提出,凭借其结构对几何问题的解决优势和实际价值,已经广泛应用到各个领域,如神经计算、计算机和机器人视觉、图像和信号处理、控制问题等领域.最近,Clifford神经网络作为实值神经网络模型的扩展,已经成为一个热门的研究领域.具有函数逼近能力的神经网络需要增强、旋转和扩张等操作,比如BP神经网络.这些操作在实值的神经网络里被欧几里得度量限制.然而在Clifford值神经网络里,Clifford代数具有无坐标框架和射影分裂等特点,也就是说度量在Clifford值神经网络里是可行的.因此,这些操作在Clifford值神经网络可以很有效的执行.在实际的应用中,神经网络系统经常要求是稳定性的系统,这个要求使得我们在研究神经网络模型时,对其模型的稳定性分析成为了必要,同时这也成为一个重要的研究方向.通过几十年的努力,对实值神经网络系统稳定性的研究趋于成熟并获得了令人瞩目的成就.近几年,复值神经网络的研究也取得很大进步.因此,把实值神经网络和复值神经网络推广到Clifford代数是有必要的.而现在关于Clifford值神经网络稳定性的研究还很少.据我们所知,Clifford值的时滞递归神经网络的稳定性问题仍未解决.本文将基于Lyapunov稳定性原理、M-矩阵原理、线性矩阵不等式(LMI)方法得到Clifford值的时滞递归神经网络(RNNs)的全局渐近稳定性、全局指数稳定性.在第二章中,我们研究了基于M-矩阵的Clifford递归神经网络的的平衡点的存在唯一性和基于M-矩阵的Clifford递归神经网络的全局渐近稳定性.第三章中,基于LMI,我们首先探究了Clifford递归神经网络的平衡点的存在唯一性,然后给出了Clifford递归神经网络的全局渐近稳定性和全局指数稳定性以及收敛速率.最后,为了确保结论的有效性,我们给定了一个例子及数值仿真.第二章中激活函数满足的李普希茨条件比第三章系统的激活函数满足的李普希茨条件更严格.