神经网络在理论研究(稳定性,周期解,耗散性,容错性等)和实际应用(模式分类、机器学习、优化计算、信号处理等)上都已获得了很多重要研究结果,但实际应用中因为传输媒介和机械器件本身的限制,神经网络的信息在传播过程,中会产生时滞,而时滞已成为降低神经网络性能和导致神经网络不稳定的主要原因之一。因此对时滞神经网络的稳定性、状态估计问题的研究具有十分重要的理论意义和应用价值。状态估计作为控制领域的基本问题之一,有着悠长的历史,但时滞神经网络的状态估计起步较晚,很多问题和结果还有待进一步研究。本文研究了三类神经网络的状态估计及滤波问题。具体来说,主要研究结果包括以下三个部分：(1)针对具有混合时滞(离散时滞和分布时滞)的离散型神经网络,设计了指数性能状态估计器,基JLyapunov-Krasovskii稳定性判据和自由权矩阵方法,获得了渐近性能的状态估计器,并通过范数分析、累加抵消和交换求和的方法,证明了状态估计器的指数性能。(2)针对一类静态神经网络,给出了其H∞滤波器设计方法,引入新的定界不等式来处理时滞信息,得到了这类静态神经网络的时滞相关和时滞无关H∞滤波器∞设计条件。与现有结论相比,本方法降低了现有结论的保守性。并通过数值仿真验证了结论的有效性。(3)针对丢失测量情况下离散型马尔可夫跳变神经网络,研究了其L2-L∞滤波问题,通过构造合适的Lyapunov-Krasovskii泛函,采用线性矩阵小等式处理技术,获得了给定L2-L∞滤波性能的充分条件。进一步获得了在无丢包情况下以及输出测量混合状态时滞时的滤波器设计方法,并给出了多通道传输丢包时随机神经网络的滤波器设计方法。