本书对递归人工神经网络进行了定性的分析。首先介绍了几种神经网络模型，包括：模拟Hopfield神经网络；具有Sigmoid激活函数或饱和非线性激活函数的Hopfield同步离散神经网络；sign函数做为激活函数的离散Hopfield神经网络；Sigmoid函数具有无限增益的模拟Hopfield神经网络；Grossberg模型及工作于闭超立方体上的线性系统等；利用Lyapunov函数系统地分析了模拟Hopfield神经网络的全局稳定性及局部稳定性，给出网络全局稳定的条件及系统地确定所有平衡点位置及其稳定特性的算法；对于工作于闭超立方体上的线性系统，详细阐述了解的定义，并给出了饱和模式下解的概念；对于存在摄动的神经网络，确定该神经网络与相应的无摄动神经网络的工作点之间距离的估计；在延迟足够小的情况下，证明了Hopfield和Cohen-Grossberg神经网络与相应的无延迟网络具有同样的全局稳定特性；利用不同类型的人工递归神经网络，介绍了几种联想记忆综合方法，如外积法、投影学习规则和特征结构法等；研究了神经网络互连结构约束对联想记忆综合过程的影响，并将上述研究结果应用于一类特定的细胞神经网络的综合过程之中。