凸二次规划问题在许多领域中都有广泛的应用,系统分析,组合优化等诸多科学问题与工程问题都可以表述为凸二次规划问题后求解。一般而言,二次规划问题在经过拉格朗日法处理后可以利用神经网络求解。但是传统微分神经网络在面对大规模实时二次规划问题时表现不佳,存在求解精度较低以及收敛时间过长的缺点。基于此,本文提出了新型积分动态学习网络和变参积分动态学习网络。仿真实验证明这两种神经网络都有收敛速率快,求解精度高的特性,适合求解线性等式约束下的时变凸二次规划问题。本文的主要工作包括以下两个部分:1、针对传统微分神经网络求解时变凸二次规划问题时间过长的缺陷,基于误差积分方程,提出了一种新型积分动态学习网络。首先,通过李雅普诺夫理论证明了积分动态学习网络具有良好的全局收敛性与灵活的控制策略。其次,理论分析证明该网络在激活函数为单调递增奇函数时收敛速率能够达到指数级且拥有良好的鲁棒性。最后,仿真实验证明,积分动态学习网络在使用不同的激活函数时较传统的微分神经网络（即梯度神经网络,零化神经网络和变参收敛微分神经网络）均具有更快的收敛速率和更短的收敛时间。2、针对积分动态学习网络在使用线性激活函数时收敛速率与传统微分神经网络相仿的不足,在积分动态学习网络的基础上,引入时变指数型设计参数,进一步提出了变参积分动态学习网络。首先,变参积分动态学习网络通过添加指数型参数以提高网络的灵活控制和自适应调整能力。其次,理论分析证明了该网络在激活函数为单调递增奇函数时收敛速率能够达到超指数级且拥有良好的鲁棒性。最后仿真实验证明,与传统的微分神经网络和积分动态学习网络相比,变参积分动态学习网络在选用不同激活函数时,均具有更快的收敛速率和更短的收敛时间。综上所述,针对传统微分神经网络求解时变凸二次规划问题收敛时间长的缺点,本文提出的两种积分学习网络都能够高效求解时变凸二次规划问题,其收敛时间是传统微分神经网络的几十分之一,极大地提高了求解效率。