神经网络(Neural networks)是一种由众多简单处理单元广泛连接而组成的人工网络系统。近些年来,由于神经网络可以同时处理大量不同类型的信息数据,能够实现分布式信息处理,神经网络被广泛应用在人工智能、深度学习和大数据挖掘处理等研究领域。与此同时,神经网络也逐渐成为网络化控制系统中的一个非常热门的研究领域。考虑到传统的网络化控制系统的网络环境中存在着丢包、时滞、数据安全等问题,这些问题可能导致网络通道拥塞甚至瘫痪,因此,针对基于神经网络的网络化系统的稳定性研究具有一定的理论意义和实际应用价值。在充分考虑网络时滞和数据通信安全的基础上,本文的主要工作是研究了基于神经网络的网络化系统的稳定性分析问题,并给出了相应的滤波器和状态估计器的设计方法,主要工作介绍如下:第一章节中针对网络化控制系统的研究现状进行阐述,介绍资源受限下数据动态传输机制和网络化控制系统中数据传输安全问题的研究现状,接着阐述了本文研究的基于时滞神经网络研究的若干控制综合问题,同时给出主要内容的引理和一些符号说明。在第二章节中,对于存在网络时滞、数据包丢失的非理想网络环境的神经网络,通过引入基于混合触发的数据动态传输机制来节约有限的网络资源,同时研究了神经网络下的网络化系统的滤波器设计问题。对于网络化控制系统数据安全传输问题研究,在考虑了非理想网络环境中可能存在的网络攻击和随机扰动的基础上,建立基于时滞神经网络的网络化系统模型。通过利用Lyapunov稳定性理论和线性矩阵不等式技术,给出系统稳定的充分性条件和滤波器的具体参数。最后,利用数值算例来验证滤波器设计方法的有效性。第三章主要节研究了基于混合触发和量化的神经网络状态估计器设计问题,同时考虑了网络中可能存在的随机网络攻击。为了提高网络资源的利用率和减轻网络带宽的压力,在采样数据的传输过程中引入混合触发机制。在考虑网络时滞和随机网络攻击的基础上,建立了状态估计误差系统,同时借助Lyapunov稳定性理论给出系统稳定的充分性条件,利用线性矩阵不等式技术给出状态估计器的增益矩阵。最后利用仿真算例来验证本章节中状态估计器设计方法的有效性。第四章节针对本文的主要工作进行了总结,同时指出本文工作的不足指出和今后工作的研究方向。本文的创新点主要如下:(1)首次在基于时滞神经网络的网络化控制系统中引入混合触发机制,该机制由周期采样机制和事件触发机制组成,两种触发机制之间的随机切换有一个满足伯努利分布的随机变量描述。(2)在数据传输的安全问题中,考虑网络中可能随机发生的网络攻击,在系统稳定的情况下安全地传输采样数据。