优化问题作为科学与工程技术的重要研究课题之一,随着科学与工程技术上的不断进步,优化问题也从实数域拓展到复数域,如何快速高效的求解复变优化问题成为了一个难题。人工神经网络因为其拥有的大规模并行计算和快速收敛的特性,所以采用神经网络的思想去解复变优化问题成为国内外研究热点。不同于传统方法求解复变优化问题,需要分离实部与虚部来将问题转换为实值优化问题。同时,由于复值域内的实值函数是非解析的,以往的实值神经网络不能直接求解复变优化问题。为了避免以上问题,本文基于CR微积分,提出了两个不同的模型分别解决复变凸优化与复变伪凸优化问题。第一,针对一类带等式与不等式限制的复变凸优化问题,基于CR微积分与罚函数的思想,提出了一个新型的无罚参数的单层循环神经网络模型。与目前已有的神经网络相比,该神经网络不需要计算精确惩罚参数,对初始点选取没有特殊要求,结构层次较为简单,也可解实值凸优化问题。并通过理论分析证明了在有限时间内该模型的轨迹将进入可行域,并收敛于复变凸优化问题的最优解。最后通过仿真模拟实验,验证了文中理论的正确性,以及该神经网络的有效性。第二,针对一类带等式与不等式限制的复变伪凸优化问题,基于CR微积分与罚函数的思想,提出了一个只有一层的新型循环神经网络模型。和目前已有的神经网络比较,该神经网络模型的结构和层次简单,应用范围较广,且不需要计算精确惩罚参数,对初始点选取也没有特殊要求。并证明了复变循环神经网络存在全局解,且有限时间内进入到原复变优化问题的可行域并永驻其中,并且将收敛到原复变优化问题的最优解等重要理论。最后,利用不同的实验证明了所提出的复变循环神经网络的有效性。