Hopfield神经网络在图像识别、联想记忆等方面有着很多的应用，但是在具体的实现过程当中往往存在着扰动甚至有时会有故障的出现，这些因素的存在极大的影响了神经网络的动态性能并有可能导致网络失稳，因此分析网络在这些情况下的鲁棒性以及如何使得网络具有比较强的鲁棒性能是必要的。近年来，人们曾试图把鲁棒性在连续系统中的研究结果推广到离散系统中，但由在连续系统鲁棒性的证明过程中所用的Lyapunov方程对于离散的系统不适用，使得对离散系统不确定性的处理变得有些困难。另外，系统在运行过程当中往往存在着传输延迟而导致的状态滞后的情况，就整数滞后的情形，其稳定性问题有了一定的研究结果。 本文主要研究离散时滞的递归神经网络的鲁棒性。首先，针对于网络的故障情况，建立离散时滞Hopfield人工神经网络的故障模型，用概率统计的方法得到网络鲁棒性能的衡量标准；其次，针对于网络存在权值扰动的情况，建立离散时滞Hopfield人工神经网络的权值扰动模型，计算其具有鲁棒性的权值范围，由此推得提高离散时滞Hopfield人工神经网络鲁棒性能的方法；最后，通过计算机对离散时滞Hopfield人工神经网络进行模拟仿真，对前面得到的结果进行验证，并且得一些新得结果。 本文得到得结果，可以帮助构造离散时滞的Hopfield神经网络，对已有的网络结构进行鲁棒性能的分析，以及提高已有的Hopfield神经网络的性能，使其更好的满足实际应用的需要。