由于人工智能和互联网技术的发展需要,神经网络作为一种模拟人类大脑学习、信息处理与自适应功能的智能化系统,它的动力学性质成为了近些年来的一个热门研究领域.随机神经网络在具有确定性模型的神经网络的基础上加入了随机变化,跳出了局部最优的限制,同时将实际应用中的一些不可控的随机干扰因素考虑进来,从而使整个系统更加贴近实际.随机神经网络在优化问题、风险控制、智能控制、模式识别、复杂系统分析等领域均得到了广泛的应用,因此对于随机神经网络动力学性质的研究在理论和实际上都是很有意义的.在本文中,我们研究了随机时滞神经网络的全局均方指数同步(MSDNN).使用两种控制方案(即状态反馈控制器和输出反馈控制器)来稳定一类的随机时滞神经网络.利用了李雅普诺夫函数和it?公式的方法,建立了基于系统结构的几个稳定条件.为了验证结果,本文在最后给出了一些数值仿真以证明结论的有效性.第一章为绪论,概述了随机神经网络的特点、优势以及应用的领域及学科,介绍了课题的研究的背景及意义、国内外研究现状和本文研究的主要内容.第二章为预备知识,首先对与本文相关的基本概念、两个假设以及驱动系统和响应系统的模型进行了描述,然后给出了误差系统的定义,介绍了全局均方指数稳定和全局均方指数同步的定义.第三章研究了随机时滞神经网络的全局均方指数同步问题.设计了状态反馈控制器和输出反馈控制器这两类反馈控制器来稳定本文中的随机神经网络,通过伊藤公式和选取的李雅普诺夫函数,使文中的驱动系统和响应系统达到全局均方指数同步,并给出数值仿真检验结论的有效性.第四章是总结与展望,对本文的工作进行了总结,并展望了在此基础上可以继续探究的一些问题.