小脑模型(CMAC)是一种收敛速度快的神经网络，非常适用于实时非线性控制系统。目前如何确定其合适学习率、量化精度、采样精度等参数仍无一个好的方法，对泛化特性缺乏理论分析，如何确定模糊小脑模型(FCMAC)隶属度函数中心点仍处于研究中。在小脑模型实际控制应用中，其鲁棒性仍需加强。针对以上情况，本论文主要从小脑模型学习率及量化精度的优化、泛化特性分析、模糊小脑模型隶属度函数中心点的确定以及鲁棒模糊小脑模型神经网络几个方面研究了CMAC神经网络理论，并结合863项目对CMAC神经网络在“地面重力补偿实验系统”的应用进行了研究。 本论文非线性研究对象是重力补偿实验系统，这是通过吊丝保持恒张力和吊丝半主动控制的两种方法来创造微重力环境的实验。在两套实验系统中，由于摩擦力存在以及其他不确定因素，难以建立准确的数学模型。使用传统控制方法难以得到满意的控制效果，而小脑模型神经网络具有逼近非线性函数的能力，在非线性控制对象难以准确建模的情况下能得到较好控制效果。本论文通过实验来验证改进的CMAC理论正确性，同时通过改进的CMAC理论来提高实验系统的性能。 本文研究内容包括： 1、针对地面重力补偿系统，把电机和整个机械系统结合起来，研究了它的动力学关系，建立了动力学方程，并由此建立整个实验系统数学模型。 2、本文提出利用自适应遗传算法(GA)来确定CMAC学习率，基于CMAC的控制系统如果没有好的学习率，那么系统就会不稳定或者收敛速度很慢。通过自适应遗传算法(GA)与其他传统方法相比较，表明利用自适应遗传算法(GA)不仅使系统稳定，而且收敛速度更快，并进行了仿真验证。 3、CMAC算法中，研究泛化性能是其中一项主要内容，泛化性能好，则网络学习精度高。本论文对影响泛化性能的量化精度、采样精度及其之间关系进行了理论分析，通过仿真验证了量化精度与采样精度之间关系，提出一种利用基于多