人工神经网络是一类模拟人脑结构和功能来处理复杂信息的信息处理系统,已成为智能控制领域和信息分析处理的一个关键方法。如何构建人工神经网络从而能够精确地描述人类大脑神经网络的动力学行为引起了各个领域的广泛关注。忆阻器作为一类新型非线性元件,尺寸小、能耗低、电阻可变,具有非易失性和记忆功能,与生物学神经网络中的突触在功能上有很强的相似性,更适合替代电阻来构建人工神经网络。近年来,基于忆阻建模的神经网络的动力学研究逐渐成为神经网络研究领域的新热点,忆阻神经网络(Memristive Neural Networks,MNNs)的稳定性等相关问题已成为当前控制理论中一项重要的研究内容,具有极为重要的实际意义。本文的主要内容包括:(1)在输入延迟法的框架下,基于数据采样控制方法研究了时滞MNNs的指数镇定问题。设计了采样控制器,构建了新的时间依赖的李雅普诺夫泛函,结合线性矩阵不等式技术得到了保证时滞MNNs全局指数镇定的LMI判据;利用区间矩阵法对忆阻连接权重进行处理,充分利用了忆阻连接权重的信息,降低了所得镇定判据的保守性;数值仿真表明了所设计的采样控制器以及所建立的镇定判据的有效性。(2)基于非周期间歇控制方法,对时滞MNNs的指数镇定问题进行了研究。首先,提出了一个衡量传感器容许失败区间的性能指标——LPRW,即休息时间与控制周期的最大比值(Largest Proportion of the Rest Width,LPRW)。然后,设计非周期间歇控制器,选取合适的李雅普诺夫泛函,结合区间矩阵法和Halanay不等式,得到了时滞MNNs指数镇定的代数判据,进而,提出了一种定性分析反馈增益与LPRW之间关系的算法。与以前的工作相比,本文用区间矩阵法来处理时变的忆阻连接权重,能够在保证闭环系统稳定性的同时,降低对控制增益的要求,且提高传感器容许失败的区间。最后,通过对仿真结果的比较表明,所获得的镇定准则相对于已有准则具有一定优势。