Este artículo se ocupa del problema de la estimación de estado de redes neuronales memristoras con incertidumbres en el modelo. Considerando que las incertidumbres del modelo están compuestas por retrasos variables en el tiempo, parámetros flotantes y funciones desconocidas, se utiliza un método mejorado basado en redes neuronales de memoria a largo y corto plazo (LSTMs) para abordar las incertidumbres del modelo. Se demuestra que las LSTMs mejoradas pueden aproximar cualquier modelo no lineal con cualquier error. Sobre esta base, se proponen leyes de actualización adaptativa de los pesos de las LSTMs mejoradas utilizando el método de Lyapunov. Además, para el problema de estimación de estado de redes neuronales memristoras, se propone un nuevo observador de estado de orden completo para lograr la reconstrucción de estados basada en la salida de medición del sistema. Se demuestra que el error de estimación de estado es asintóticamente estable utilizando el método de Lyapunov y desigualdades matriciales lineales. Finalmente, se presentan dos ejemplos numéricos, y los resultados de simulación demuestran la efectividad del esquema, especialmente cuando se trata de redes neuronales memristoras con incertidumbres en el modelo.