众所周知,复值随机神经系统在经济系统、网络通信系统和生物系统等领域具有广泛应用。神经网络系统作为现代人工智能的最重要的分支系统,一直是学者们研究的重要对象。目前,对于确定性神经网络系统在稳定性、耗散性、同步等方面的研究已经取得了大量成果。然而,现有关于神经网络方面的文献研究重点大多集中于研究实值神经网络系统的情形。事实上,由于许多生产工程过程涉及到了复变信号,因而使得被控系统的状态变量及参数由实数域扩展到复数域。同时,由于神经网络系统在运行的过程中不可避免的要受到来自于系统外部的各种随机噪声和不确定性因素的干扰,传统的确定性系统已经不能准确描述实际系统。因此,将随机干扰项加入到神经网络系统数学模型中并考察其动力学行为成为神经网络理论研究的必然要求。本文围绕复值时变时滞随机神经网络系统的耗散性、Lagrange指数稳定性以及同步问题进行了研究,主要工作如下:一、研究了 Brownian运动过程驱动的复值时变时滞随机神经网络系统的耗散性问题。通过构建合适的Lyapunov函数、应用Jensen不等式和随机分析技术以及LMI方法,在均方意义下,得到了关于复值时变时滞随机神经网络系统指数耗散与（Q,S,R）-耗散的几个充分条件,并通过仿真结果说明了研究结果的有效性和先进性。二、研究了 Brownian运动过程运动驱动的复值时变时滞随机惯性神经网络系统的Lagrange指数稳定问题。通过中间变量的替换,将带有惯性项的二阶神经网络系统降阶为一般神经网络系统的一阶微分形式。借助合适的Lyapunov函数、Jensen不等式和随机分析技术以及LMI方法,得到了均方意义下的复值时变时滞随机惯性神经网络系统Lagrange指数稳定性的几个判别定理,并通过仿真结果说明了研究结果的有效性和先进性。三、研究了 Brownian运动过程运动驱动的复值时变时滞随机神经网络系统的同步问题。用Brownian运动过程描述主系统和从系统受到的随机干扰。通过构建合适的Lyapunov函数及控制器、应用随机分析技术以及LMI方法,得到了关于复值时变时滞随机神经网络系统同步的几个充分条件判据,并通过仿真结果说明了研究结果的有效性和先进性。四、研究了 Brownian运动和Poisson跳过程复合驱动的复值时变时滞随机神经网络系统的同步问题。Ito-levy型随机过程被用来描述主系统和从系统受到的随机干扰。通过构建合适的Lyapunov函数及控制器、应用Jensen不等式和随机分析技术以及LMI方法,在均方意义下,得到了关于复值时变时滞随机神经网络系统同步的几个充分条件,并通过仿真结果说明了研究结果的有效性和先进性。