磁控形状记忆合金（magnetic shape memoy alloy,MSMA）执行器是利用MSMA材料的磁性形状记忆效应,在磁场的作用下产生形变,能够产生微纳米级输出位移的高精度微定位机构,有着传统执行装置不可比拟的优势。由于其具有行程大、位移分辨率高、推力大等优点,在精密制造加工、微纳米定位技术、生物医学等领域有广泛的应用前景,如MSMA执行器驱动无阀泵、原子力显微镜定位系统等。作为一种非可微和非一一映射的复杂非线性,迟滞非线性广泛存在于智能材料中并且具有率相关、力相关和环境因素相关的特点。MSMA材料固有的复杂动态迟滞非线性大大增加了系统建模和控制的难度,严重影响了MSMA执行器在微纳米技术领域中的应用。本文主要研究MSMA执行器的迟滞非线性建模方法,设计有效的控制器,实现MSMA执行器的高精度跟踪控制,为MSMA执行器在微定位和微驱动领域的应用奠定理论和方法基础。文章研究内容如下:首先,搭建了MSMA执行器实验平台,并介绍了MSMA执行器的工作原理和迟滞环特点。针对MSMA执行器的迟滞输出易受输入信号和外部条件影响的特点,从实验角度研究了输入信号频率、幅值、环境温度和负载变化对MSMA执行器迟滞输出的影响,分析了MSMA执行器率相关、幅值相关、力相关和温度相关特性。同时,讨论了输入信号和外部条件对执行器最大输出位移的影响,为建立能够精确描述MSMA执行器迟滞非线性的数学模型奠定基础。其次,由于MSMA执行器的迟滞特性明显区别于其它智能材料驱动的执行器,因此传统迟滞建模方法很难描述MSMA执行器的复杂迟滞非线性。针对这一问题,提出采用引入外生变量函数的非线性自回归滑动平均（nonlinear auto-regressive moving average with exogenous inputs,NARMAX）模型描述MSMA执行器的复杂迟滞非线性。本文通过在NARMAX模型中引入迟滞算子,将迟滞的多值映射转换为一对一映射。同时,采用神经网络构建NARMAX迟滞模型的非线性函数,使所建立的模型可以在线更新模型参数,适应系统动态变化。实验结果表明,所提出的模型可以准确地描述MSMA执行器的静态和动态迟滞行为。此外,针对MSMA执行器的轨迹跟踪控制问题,提出基于NARMAX模型的神经网络控制方法。相比于经典的基于逆模型的前馈控制方法,提出的控制方法摆脱了对逆模型的依赖,消除了因求解逆模型不准确对控制器性能的影响。然后,针对传统控制方法模型依赖度高、动态性能差的问题,提出神经网络迭代学习控制（iterative learning control,ILC）方法消除迟滞非线性对MSMA执行器定位精度的影响。经典ILC方法参数固定,需满足每次迭代系统初始状态一致和迭代步长相同的条件,这些特点制约了ILC方法在实际系统中的应用。本文将ILC和神经网络相结合,利用神经网络强大的学习能力提升了ILC的控制性能。针对实际控制过程中系统存在初始状态非严格重复和迭代步长变化等问题,本文在控制器的设计过程中研究了上述不利因素影响下神经网络ILC系统的收敛性并获得控制器的收敛条件,弥补了ILC的缺点。实验结果表明,所提出的神经网络ILC方法可以保证MSMA执行器精确地跟踪期望信号。最后,针对时延会影响控制器性能,降低执行器定位精度的问题,提出一种考虑时延的神经网络自适应控制方法。首先将NARMAX迟滞模型与非线性系统标准形式相结合描述以MSMA执行器为被控对象的非线性系统。然后,设计了神经网络自适应控制策略,对MSMA执行器进行轨迹跟踪控制。最后利用Lyapunov理论,证明了跟踪误差渐近收敛。实验结果验证了所提出控制方案的有效性。