作为一门活跃的交叉学科,神经网络在系统辨识、模式识别、智能控制等领域吸引了广泛的关注。经过近十几年的发展,神经网络的学术研究取得了引人注目的进展,被广泛应用于非线性系统分析和优化、工业应用等领域,并产生了巨大的实用价值和效益。然而随着网络技术、电子技术、云计算技术的快速发展以及处理大数据的迫切需要,神经网络与智能网络技术的结合给神经网络的研究带来了突破性的发展和动力,也为神经网络在网络化环境下的分析和研究带来了新的挑战和难题。本论文围绕网络化环境中神经网络存在时滞、丢包、随机非线性等问题,传感器在恶劣环境下存在非线性、能量受限等情况,以及信息不可靠传输的问题,开展了以下研究工作:1、针对存在分布式时滞和不可靠量测的离散时间神经网络。当测量数据通过多个传输通道进行传输时,假设各个通道相互独立并具有不同的传输丢包概率,进而采用马尔科夫链描述传输通道的丢包情况。为了简化计算,将各个通道的多个马尔科夫链转化成一个增广马尔科夫链,并将多通道丢包情况转化成负载状态依赖的丢包模型。然后设计了网络传输状态依赖的状态估计器,得到了状态、估计的增广形式和输出误差,获得了保证增广系统随机稳定并达到严格(Q,S,R)-?-耗散性的充分条件。最后,通过数值仿真例子证明了所设计的估计器有效地权衡了估计器数量和估计器性能之间的关系。2、针对具有能量采集功能传感器的神经网络远程状态估计问题。考虑在无线传输过程中存在传感器能量有限以及能量有限导致的数据丢包问题,即假设传感器采集器的能量采集过程是周期性的,丢包率随能量的降低而增大。根据能量采集的周期特性以及能量与丢包率的关系,提出了能量等级依赖的数据包丢失模型。建立了基于周期性能量采集传感器的周期传输调度策略,设计了远程状态估计器。进而通过有限域H_?性能分析,得到了估计误差系统满足有限域H_?性能指标的充分条件。最后通过仿真实验证明了目标跟踪的有效性。最后在总结本文研究内容的基础上,对网络化环境中神经网络模型存在的其他问题以及工程应用进行了概述和展望。