众所周知，复值神经网络普遍存在于实际应用中，其动态问题可以解释很多自然现象，如信号处理！模式识别！协同记忆！复杂优化等诸多问题.在这些应用中，首要问题是分析网络的稳定性.然而，大多数情况下，复值神经网络需要满足一些特定条件，才能确保网络是稳定的.本文主要介绍具有不连续激活函数的复值神经网络的动态行为.在本文中，我们将复值神经网络转化为实值神经网络，并利用推广的Lyapunov函数！微分包含！对角占优，研究不连续复值神经网络的概周期性问题，并得出确保系统稳定的充分条件.本文的主要内容组织如下：　　在第一章中，我们将内容分为两个小节.首先，介绍神经网络的研究背景及研究现状.其次，为了文章的顺利写作，在预备知识部分，我们介绍了一些基本的定义和引理.　　在第二章中，我们借鉴不连续实值神经网络的研究方法，研究不连续时滞复值递归神经网络解的概周期性.首先，将复值神经网络分解成两个等价的右端不连续的实值微分方程，进而转化为研究等价系统的概周期性.其次，利用微分包含理论、对角占优法则！非光滑理论！Lyapunov函数方法，得出确保等价系统有唯一的概周期解且全局指数稳定的条件.最后，我们给出一个数值模拟例子，并根据不连续复值时滞神经网络实现概周期稳定的理论条件，我们可以看到复值神经网络的实部、虚部的状态达到稳定.　　在第三章中，我们研究一类不连续复值神经网络的概周期性，其激活函数具有连续的实部和不连续的虚部.类似于第二章的方法，首先，我们把复值不连续神经网络分解成一个等价的实值不连续神经网络，进而研究实值不连续神经网络的概周期性.其次，在本章假设中，不连续函数不在是单调的，进而弱化了假设，利用微分包含，对角占优，非光滑理论分析以及Lyapunov函数方法，我们得到了满足系统有概周期解且全局指数稳定的一个充分条件.特别地，当系统的系数是常数和周期函数时，得出了一些推论.最后，我们给出一个数值模拟来验证所得结论的有效性.　　在第四章，我们对全文内容进行了总结，并对未来的研究工作做出展望.