在近几十年里,非线性系统的神经网络控制已经被广泛的研究,但主要应用一直集中在控制问题上。神经网络强大的逼近性能,使他在非线性系统的识别和控制上成为一个有效的工具。由于神经网络在一定的条件下能够以任何精度逼近非线性函数,所以神经网络控制得到了广泛的发展。同时,神经网络也显示出在进行在线控制的稳定性和有效性。研究模糊建模与自适应控制具有重要的理论与实际意义。自适应控制是基于自适应的基本原理,利用神经网络的特点设计而成的。它发挥了自适应与神经网络的各自长处,为非线性控制的研究提供了一种新方法。本文基于Lyapunov稳定性理论,采用神经网络直接自适应控制的思想设计控制器,研究了一类不确定非线性系统的控制问题。在实现自适应神经网络控制的基础上,减小计算量。最终系统稳定性和收敛性在给出的假设的条件下均能得到保证。本文主要研究了以下几个内容:针对一类不确定严格反馈形式非线性离散单输入单输出（SISO）系统,一种基于反推技巧的直接自适应神经网络控制算法被提出,应用神经网络去逼近未知函数,并且合成一个稳定的自适应神经网络控制器。事实上,可以证明闭环系统上的所有信号都是半全局一致最终有界的,通过调整设计参数,可以使跟踪误差趋近于零的一个小邻域内。相比于以前的离散系统的研究,此算法提高了系统的鲁棒性。仿真例子说明了此方法的可行性。针对一类不确定的非线性离散多输入多输出（MIMO）系统,用一种鲁棒自适应神经网络控制方法,在控制器的设计中,首先把多输入多输出系统通过映射转换成输入输出系统,由转换系统通过高阶神经网络的逼近得到理想控制器,应用李亚普诺夫稳定性定理保证系统稳定,并且通过选择适当的设计参数,使得跟踪误差收敛到零的一个小邻域内。与以往的对于多输入多输出离散系统相比,鲁棒自适应算法是有明显改进的。仿真例子说明了此方法的可行性。