目前,人类生活的许多领域和人工智能密不可分,比如：语音识别、救灾机器人和图像识别等.人工智能可以简单地理解为一种崭新的能够像人类智能一样做出相应的反应的智能机器.研究智能机器,就必须对其类似人类大脑一样的神经网络模型展开研究.许多科研工作者研究发现在许多现实的神经网络模型中,神经元之间信息传递是以不连续的方式进行的,并且突触间递质的传递有时会出现延迟现象.所以,研究具有不连续激励函数的变时滞神经网络模型具有一定的现实意义.本文从同步的角度出发,研究了两种带有不连续激励函数的变时滞神经网络系统的同步.主要研究内容如下：由于带有不连续激励函数的神经网络模型能更好地描述一些自然现象,本文首先研究了不连续模糊神经网络系统的全局指数同步.不同于已有文献中的方法,本文在Filippov解的框架下,通过对Lyapunov急定性理论的分析和应用,给出了一些指数同步的新结果.尤其是本文成功地避免了在一些文献中对激励函数的严格限制,最后,用两个例子的数值模拟验证了本文理论结果的正确性.这也进一步说明了本章所提出的同步方法的有效性.另一方面,通过对目前关于竞争神经网络研究现状的分析,我们发现许多关于竞争神经网络同步研究的文献很少同时考虑不连续激励函数、变时滞以及有限时间同步的情况.在此基础上,本章考虑了带有不连续激励函数的变时滞竞争神经网络的有限时间同步.文中首先给出了一个控制器,以实现竞争神经网络的有限时间同步,但是为了扩展同步方法的适用范围,文章进一步简化了控制器.借助Lyapunov函数及其稳定性理论,在理论上严格证明了驱动系统和响应系统间的误差系统最终稳定于原点,最后通过两个例子的数值模拟进一步证实了文中所提出的两个同步方法的有效性.