近年来,关于神经网络的同步性研究已经有了许多有价值的成果,但这些研究基本上都是建立在传统的实值神经网络(RVNNs)模型上。复值神经网络(CVNNs)比实值神经网络更具有一般性和复杂性。本文围绕复值神经网络,利用混杂脉冲控制方法、李雅普诺夫泛函方法、平均脉冲间隔(AII)和平均脉冲增益(AIG)理论研究了复值神经网络的主从同步。全文分为四章,主要内容如下:第一章概述了复值神经网络同步性研究的现状、脉冲控制方法的一些理论和现有结果,并在此基础上阐明了本文的主要研究内容和主要创新点。第二章研究了混杂脉冲控制器下带时变时滞的复值神经网络的主从指数同步问题。混杂脉冲控制器是脉冲控制器的扩展,它可以允许一个脉冲序列中同时存在同步和非同步脉冲,这种脉冲即是混杂脉冲。我们将复值神经网络分成实部和虚部,得到两个实值神经网络。基于平均脉冲间隔和平均脉冲增益的概念,我们发现在一定条件下,通过混杂脉冲控制可以实现复值神经网络实部和虚部的主从指数同步。利用李雅普诺夫泛函方法,建立了保证给定复值神经网络达到主从同步的充分条件。最后通过数值仿真验证了结果的有效性。第三章研究了在复值神经网络的激励函数不能分成实部和虚部的情况下的主从指数同步问题。基于平均脉冲间隔和平均脉冲增益的概念,利用李雅普诺夫泛函方法和矩阵不等式,我们给出了复值神经网络达到主从同步的充分条件。最后通过例子及数值仿真验证了结果的有效性。第四章对全文进行了总结,并对未来工作进行了展望。