复杂时变动态系统在科学与工程应用领域中是非常重要的一类问题。此外,实际应用中噪声的存在会影响模型性能,导致求解精度不高等不良效果。因此含有噪声干扰下的时变动态系统的求解是值得探究的。传统的固定参数的收敛微分神经网络由于参数选定不能超过参数变化的上限,其收敛效果以及收敛速度都会受到初始极限值的限制。因此,根据自适应时变参数设计思想,论文提出一种新型的混合变参动态学习网络（Mixed variant-parameter dynamic learning network,MVP-DLN）用于求解含有噪声的时变动态系统问题（时变凸二次规划和时变非线性不等式）。论文的主要工作包括以下两个部分:1、由于现有的神经网络求解等式约束的时变凸二次规划问题时收敛速度不够快、鲁棒性弱,论文提出了一种新的混合变参动态学习网络。首先,通过构造、求导李雅普诺夫函数,理论分析证明了混合变参动态学习网络在使用单调递增的奇激活函数时,比改进零化神经网络具有更好的收敛性能和更强的鲁棒性。其次,为了进一步说明所提出的MVP-DLN的性能优越性,与传统的固参微分收敛神经网络（即梯度神经网络、零化神经网络、改进零化神经网络）进行了仿真对比实验。仿真结果验证了所提的混合变参动态学习网络在使用不同的激活函数用于求解时变凸二次规划时,都比传统的固参微分神经网络具有更快的收敛速度和更强的鲁棒性。2、非线性不等式在科学计算和实际工程领域中广泛应用,传统的零化神经网络求解该问题时收敛速度较慢、鲁棒性弱,因此,进一步用所提出的混合变参动态学习网络来求解时变矢量型非线性不等式问题。首先,通过讨论变量的初始状态值与时变初始解集的位置关系,理论分析证明了无论变量的初始状态值在时变初始解集内或者外时,MVP-DLN使用不同的激活函数都具有全局收敛性和较强的鲁棒性。其次,为了进一步说明MVP-DLN的性能优越性,与传统的零化神经网络进行仿真对比实验。仿真结果证明了混合变参动态学习网络在使用不同的激活函数求解时变矢量型非线性不等式时,比传统的零化神经网络具有更快的收敛速度和更强的鲁棒性。