状态估计是根据可获取的测量数据，设计估计器并使得估计误差系统渐近稳定从而达到估算动态系统内部状态的方法。鉴于状态估计在生物学及信息科学等领域的重要性，本文基于李雅普诺夫稳定性理论、随机分析和线性矩阵不等式等方法，研究了两类离散型动力系统的状态估计问题。　　 本文的主要工作如下：　　 一、研究了一类具有马尔可夫跳变参数和混合模态依赖时滞的离散神经网络的鲁棒观测器设计问题。该网络的模态切换由一个马尔可夫链所描述；并且，所考虑的时滞是混和的、模态依赖的。利用李雅普诺夫稳定性理论、随机分析及线性矩阵不等式方法(LMIs)，给出了鲁棒观测器存在的充分判据。此判据以线性矩阵不等式的形式给出，很容易由LMI工具箱求解。数值例子验证了结论的有效性。　　 二、讨论了一类具有马尔可夫跳变参数的离散型时滞基因网络的鲁棒状态估计问题.该网络中的非线性调控函数满足扇区条件。利用李雅普诺夫稳定性理论和LMIs方法，通过分析可知若一组LMIs成立，则该基因网络的鲁棒估计器必存在．在该估计器下，可以保证了估计误差系统在均方意义下是全局渐近稳定的．并且，这组LMIs亦依赖于时滞的上下界，因而具有较弱的保守性。　　 最后，数值仿真验证了所得结果的可行性和有效性。