Hopfield神经网络是一个典型的递归神经网络，具有很强的联想记忆和优化计算能力，所以该模型的动态特性已受到广泛关注，并且Hopfield神经网络的研究和应用已经渗透于各项工作之中，取得了丰富的结果.然而，由于参数摄动，外界干扰和建模误差等其他不确定性因素，通过互联结构来控制整个系统时，将不可避免地引入时滞，并可能导致系统不稳定，特别是震动和延迟，因此，在试图控制整个系统时，对多时滞和不对称互联结构以及参数摄动等的分析对Hopfield神经网络的动态分析方法有重要影响.　　 本文通过对几类神经网络模型的研究，提出了几种学习规则和算法，以适应不同网络模型的需要.通过有效的学习算法，使得神经网络能够通过连接权值的调整，更为细致的描述客观世界的内在表示，形成比较具体的信息处理方法，并且其信息的存储与处理也体现在网络的连接中.　　 首先，讨论和分析了人工网络拓扑的同步和控制问题.利用Lyapunov泛函理论，提出了一种自适应反馈控制方法，来确定一种加权动态复杂网络模型的精确拓扑.通过MATLAB进行数值仿真，验证了方法具有良好与高精确度的优点.　　 其次，利用自适应控制和线性反馈控制相结合的方法，研究延迟时滞混沌网络的同步和参数辨识问题.　　 最后，利用LMI方法给出了无参数扰动多时滞Hopfield神经网络的全局同步的一种滑模控制方法，通过构筑Lyapunov泛函和利用LMI对该模型的同步问题予以分析。