由于高阶模糊神经网络比低阶模糊神经网络在逼近能力、收敛速度、存储水平及容错能力等方面都具有更强的功能,因此越来越多的学者对高阶神经网络进行积极研究，并且所取得的成果已经在模式识别、联想记忆以及优化组合等方面得到越来越广泛的应用。图像处理等应用在很大程度上依赖于神经网络的动力学行为，如稳定性、同步性、收敛性、容错性、震荡性等，因此研究高阶模糊神经网络的动力学性质具有重要的现实意义。本文在已有的研究基础上,进一步探究高阶模糊神经网络稳定性和周期解的全局指数稳定性。第一章主要阐述了高阶模糊神经网络的发展历程及基本理论，分析了高阶模糊神经网络研究的背景及意义。另外，说明了本课题的创新之处和研究意义。第二章在已有研究成果的基础上，进一步探索了高阶变时滞模糊神经网络模型平衡点的存在性、唯一性以及指数稳定性的问题，利用Brouwer不动点定理及不等式分析技巧得到了系统稳定的充分条件。第三章主要研究了变时滞高阶模糊网络周期解存在唯一性以及全局指数稳定性，通过构造合适的Lyapunov函数，利用Brouwer不动点定理得到周期解存在唯一性以及全局指数稳定的充分条件，并给出实例说明方法的有效性与可行性。第四章主要研究了变系数高阶模糊神经网络的指数稳定性，对于激活函数不要求满足Lipschitz连续条件，得到了保证高阶模糊神经网络的解指数收敛的充分条件。最后一章对高阶模糊神经网络作了简单的总结与展望。