自从Cohen Grossberg神经网络被Cohen Grossberg提出和研究之后,该网络的研究得到了巨大的关注,并且其潜在的应用比如模式识别,联想记忆,并行计算以及非线性优化问题.在硬件实现方面,由于有限地开关速度的放大器和连通时间中存在延迟,以及神经网络轴突的长度和大小有各种途径并行存在,使其具有了空间的性质,因此延迟应该被包含在网络的模型之中.但是是目前对于该Cohen Grossberg神经网络模型的研究都是受限于确定性的微分方程,这些模型并没有将固有的随机信号传输考虑在内.　　 本文主要研究了具有时滞和高阶项的Cohen—Grossberg神经网络模型周期解的稳定性问题。研究了具有时滞和高阶项的Cohen—Grossberg神经网络模型周期解的稳定性问题。利用Lyapunov泛函和LMI的方法,在周期解存在的基础上,证明了全局稳定性结果,给出了周期解全局渐近稳定的充分条件。　　 最后,对全文的结果进行总结。