本文主要研究了带有网络诱导现象的离散忆阻神经网络(DMNNs)状态估计问题,其中网络诱导现象包括:网络诱导时滞和丢包。对网络中的数据丢包现象,给出了两种不同的描述方式:多测量部分丢失现象表示为在[0,1]区间上具有特定概率分布的一组相互独立的随机变量,即所谓的随机模型;借助适当的范数有界不确定项描述的丢包模型,即所谓的非随机模型。不同于传统的神经网络模型,本文所研究的系统是一类基于忆阻器的神经网络模型,由于忆阻器特殊的物理电子特性,该系统是一类特殊的基于状态的切换系统。在研究的过程中,一方面将一些已经存在的网络丢包模型推广到DMNNs系统中,从而针对这类DMNNs模型设计出满足系统稳定性的状态估计器。进一步,通过引入H_?性能指标,对文章中所设计状态估计器的干扰抑制性能给出了定量描述。通过求解一类凸优化问题,得到了满足期望性能指标的状态估计器存在性充分条件。同时,所得结论以线性矩阵不等式(LMI)的形式加以呈现;另一方面,在事件触发协议下给出了一类DMNNs的集员估计器设计方案,所给条件有效地降低了带宽受限环境下的网络通信负担,同时得到了满足需要的估计状态集合的上界。最后,借助几个数值例子的仿真实验,验证了文章中所设计的状态估计算法的有效性。主要研究内容如下:首先,根据网络中实际发生丢包的形式不同,可分为两种情况进行考虑。分别详细叙述在DMNNs中存在随机丢包和非随机丢包的相关问题,并构造出相应的系统模型,进而设计了对应的状态补偿方法。其次,针对上述两种形式的网络丢包现象,分别提出了对应的DMNNs状态估计算法。根据集员状态估计的思想,使用半定规划方法完成了对离散神经网络的状态估计,从而得到了最优的状态估计椭圆。再者,考虑到在实际应用过程中,由于网络带宽和传感器能量受限,将导致模型参数变动以及系统结构变化的情况,因此会引发网络诱导现象。因此,本文相关章节引入了事件触发通信机制,从而达到降低DMNNs通信负担,减少网络诱导现象发生的目的。最后,针对给出的DMNNs模型并结合凸优化方法,通过仿真例子验证所做理论分析的正确性以及所提方法的真实有效性。本文主要依据的理论有:线性系统理论、Lyapunov稳定性理论以及凸优化理论;主要涉及的计算方法有:Lyapunov函数方法、Kronecker积、LMI以及随机变量的期望等;主要使用的求解工具是标准Matlab软件以及LMI工具箱和YALMIP工具箱。