通过对几类复杂神经网络模型的研究,提出了几种学习规则和算法,以适应不同网络模型的需要。研究了两类复杂网络的广义同步,混沌神经网络的反馈与自适应反馈同步,以及时滞细胞神经网络全局同步的滑模控制问题。通过有效的学习算法,使得复杂神经网络能够通过连接权值的调整,更为细致的描述客观世界的内在表示,形成比较具体的信息处理方法,并且其信息的存储与处理也体现在网络的连接中。　　 首先,基于Lyapunov稳定性理论,结合Young不等式技术,进一步研究了具有耦合时变时滞复杂网络的广义同步问题。构造合适的Lyapunov函数,用非线性控制方法实现了具有耦合时变时滞复杂网络的线性广义同步。设计了合适的控制器,而且控制器是一个非线性函数,同步矩阵为非对角矩阵,推广了已有文献的有关结果。通过Matlab进行数值仿真,仿真实例验证了理论结果的正确性以及方法的有效性。　　 其次,研究了一种混沌神经网络的自适应非线性控制与时变耦合延迟,主要采用牵制控制的方法来控制该网络的全局同步问题,参数少,易于控制与实现,对网络的要求条件较低。分析了添加反馈控制器的同步与添加自适应反馈控制器的同步判定,并对两种控制器实现的同步进行了比较。对某些选定的节点,采用适当的反馈或自适应反馈控制器进行控制就能够迅速跟踪和控制混沌神经网络的变化。仿真实例验证了文章理论的正确性。　　 最后,利用改进的滑模控制方法,研究了具有多时滞和分布时滞细胞神经网络的全局同步问题。基于Lyapunov稳定性原理,运用线性矩阵不等式方法,设计滑模面,考虑了时滞独立和时滞相关两种情况。设计了合适的滑模控制器,以使得误差系统的轨迹能全局达到滑模面。得到了相对充分的条件,来确保时滞独立与时滞相关两种情况下误差系统的全局稳定性,从而保证了时滞细胞神经网络的全局同步。