在现代控制系统中,建立对象模型是控制系统设计的基础。对于某些十分复杂的非线性系统,基于传统数学工具的建模通常十分困难,即使存在一些近似的理论模型,由于过程的非线性、时变性、随机干扰及其对象模型参数的不确定性等因素,也使这种理论模型很难真正用于实际控制系统设计中。神经网络具有良好的学习和记忆能力,而且有很强的容错性、自适应性等,可应用于一维、甚至二维非线性函数逼近。小波网络结合了小波变换良好的时频局域化性质及神经网络的自学习功能,弥补了各自在函数逼近方面的缺陷,因而具有较强的逼近能力和容错能力,用于非线性函数的逼近能达到最满意的效果。模糊小波网络结合了小波变换良好的时频局域化性质,模糊推理和神经网络的学习能力,因此函数逼近能力大大提高。为此,本文研究了一种模糊后件为小波网络的模糊小波模型。近年来,网络控制系统受到了广泛的关注,然而,如何采取有效措施克服网络传输时延对控制系统动态性能的影响是网络控制系统设计的主要挑战。设计能够精确地评估出具有不确定性的网络时延的预测方法是处理网络传输时延的前提。本文分析了时延的组成及其特性后,根据时延的不确定性和非线性特性,研究了采用AR模型、ARMAX模型和具有非线性辨识能力的神经网络模型预测不确定性的网络传输时延的方法,并重点设计了两种预测方法的仿真实验。最后通过分析仿真结果证明ARMAX模型和神经网络模型提供了两种有前途时延预测方法。BP神经网络具有逼近任意非线性函数的能力,而且结构和算法简单明确。通过神经网络自身的学习,可以找到某一最优控制下的P、I、D参数,从而建立参数P、I、D自学习的PID控制器。因此,本文在神经网络和小波网络的基础上,研究了小波网络的PID控制算法,并将其与BP神经网络的PID控制算法进行比较,并将其用于直流电机调速中。实验证明基于神经网络和小波网络的自适应PID在直流电机调速中取得了较好的实验结果。本文将模糊小波技术分别用于一维非线性函数的逼近,混沌时间序列的预测,以及直流电机的转速控制中。