神经网络在模式识别、信号处理、优化计算及联想记忆等领域的研究发展中起到至关重要的作用.而这些研究领域的快速发展对神经网络本身的研究提出了更高的要求.要想对神经网络进行更为深入的研究,就必须要获得网络的内部状态.所以,神经网络的状态估计研究具有重要的理论意义和实际应用价值.而在实际网络环境下,由于网络带宽的限制,不可能对所有的信号进行状态估计.因此为了减少对有限网络带宽资源的不必要浪费,越来越多的研究者将事件触发机制应用于网络化控制研究中.但是事件触发机制在减少网络带宽负担的同时却影响了系统的稳定性,进而就会降低系统状态估计的精确度.因此,为了在节省网络带宽资源与保持系统稳定性之间达到一定程度上的平衡,本文考虑引入自适应事件触发机制,并以此为基础研究神经网络状态估计器和H_∞滤波器设计问题.本文的主要研究内容如下:1.在第二章中,研究基于自适应事件触发机制的神经网络状态估计器设计问题,并应用Matlab/Simulink仿真验证状态估计器设计的合理性.首先,设计了基于自适应事件触发机制的神经网络状态估计器;其次,构造Lyapunov泛函,证明系统的渐近稳定性,并将矩阵不等式线性化,得到状态估计器增益的求解方法;最后,通过仿真验证了状态估计器设计的合理性,并说明了自适应事件触发机制相对于事件触发机制的优势.本章中的状态估计器对系统参数的依赖性比较高,但形式比较简洁.2.在第三章中,考虑到实际情况中系统模型参数的精确性较低以及外部扰动的影响,设计了基于自适应事件触发机制的H_∞滤波器,并分析系统的指数稳定性,进而得到了H_∞滤波器参数的设计方法,最后通过Matlab/Simulink仿真验证了滤波器设计的合理性和可行性.