本文针对离散非线性神经网络系统设计了相应的非脆弱状态估计器来确保状态估计的有效性和准确性。主要工作如下:1)目前,大多数的状态估计研究成果是基于估计器的各项参数已知且精确的情况下获得的。然而,在复杂的真实环境中,观测器必定会受到各种环境的影响,而不能保持其本身一直处于理想的状态。基于该类情况,针对一类典型的具有传感器饱和的非线性离散时滞神经网络进行了非脆弱状态估计方法研究。利用Lyapunov-Krasovskii函数和矩阵分析技术,获得时滞相关的充分条件。通过解线性矩阵不等式组(Linear Matrix Inequalties,LMIs),可以得到估计器的增益矩阵。最后,通过数值仿真实验证明了本文提出的方法对于具有传感器饱和的离散时滞神经网络具有较好的状态估计精度。2)在经典的控制理论当中,如果系统在非有限时间内Lyapunov稳定,认为系统是渐近稳定的。然而,在实际工业过程中,在真实的状态估计问题时研究时间限制下的稳定性更具有研究价值。因此,对于非线性神经网络而言,考虑有限时间对于系统的影响是非常必要的。本文针对具有传感器故障和随机非线性传感器干扰的离散神经网络系统,进行了有限时间非脆弱状态估计方法研究。考虑到时变时滞,有限时间和传感器限制条件的影响,通过选取Lyapunov-Krasovskii函数,采用增广矩阵的技术设计了有限时间非脆弱状态估计器。最后,数值仿真的实验结果证明了所设计非脆弱状态估计器具有良好的观测效果。3)在实际网络化控制系统中,为了节约有限的网络带宽资源,引入事件触发机制,研究了一类具有通信时滞和非线性干扰的Markov跳变离散神经网络系统的非脆弱状态估计问题。其中,在系统的采样数据满足一定的事件触发判据时,传感器的数据才进行传输。本文中提出了能够反应Markov跳变随机参数、通信时滞、非线性干扰和传感器故障等因素的基于事件触发机制的非脆弱状态估计器。最后,通过数值仿真实验阐述了所设计的非脆弱状态估计器能够达到比较好的状态估计效果。