发展至今,人工神经网络模型的种类变得繁多.由最初的单层递归神经网络到双层的联想记忆神经网络,到现在的多层的复杂网络,人们的研究使得神经网络得到了蓬勃的发展.在稳定性分析方面,由于误差的不可避免性,外界的干扰和参数的浮动,神经网络的稳定性可能会改变.克服这些因素的方法是将系统的参数取值于指定的区间上,将误差和参数浮动统一为某种导向函数,由于导向函数的存在,这类神经网络变成了混合型神经网络.也就是说,随着时间的改变,混合型神经网络可以分为超前和延迟两部分.那么在研究其动力学性质之时,寻找变分项与当前项之间的联系,是研究这些混合型神经网络鲁棒性问题的关键.本文主要讨论两类混合型神经网络和两种非线性系统的鲁棒性问题.结合矩阵测度,线性逼近法,利用Lyapunov稳定性理论,在随机扰动下得到了受扰系统仍是指数稳定的充分条件.此外,运用不等式放缩、随机微分方程理论,得到了偏差变元的区间上界和最大扰动上界.最后,在带有两种时变时滞和随机扰动的双向联想记忆神经网络上,找到满足条件的Lyapunov函数,导出了受扰的双向神经网络保持稳定的理论判据.总体来看,本文主要通过给定一个自身稳定的神经网络或者非线性系统,考虑外界参数偏差变元和随机噪声干扰对系统稳定性的影响,展示了神经网络或非线性系统的抗干扰能力.另外在神经网络中还会出现脉冲效应、能量损耗、网络丢包等现象,未来可以考虑加入这些因素之后神经网络的鲁棒性.