神经网络是近些年来一种十分热门的智能控制。它引入性能指标，在线自整定权值，使网络沿性能指标负梯度方向快速收敛。经过前人大量的研究表明多层神经网络能够以任意精度逼近非线性函数，以上这些特性使得神经网络在建模的同时亦能参与非线性系统的控制，尤其是非线性系统中含有模型不确定部分时，能够对其进行建模和逼近。 本文首先对前人提出的几种网络自适应控制方案进行仿真分析，以比较网络的性能，结果表明RBF网络适合于系统的建模与辨识。然后对RBF网络的参数进行分析，在此基础上针对非线性不确定系统中的模型参数不确定部分采用RBF网络对其进行建模并设计基于名义模型的控制律，从仿真结果可以看出该算法能够抑制扰动而且最终也能跟踪输入信号，但在前期误差较大，且网络的逼近功能对名义模型依赖程度较高。因此，采用反演控制，并用RBF网络修正反演控制律中的不精确项，不仅可以避免建立名义模型而且还能取得较好的控制效果，但在施加扰动后，控制效果很差。 最后本文提出一种基于RBF神经网络状态观测器的反演控制算法，利用RBF网络的建模功能去逼近反演控制律和状态观测器中的不确定项，并将观测得到的状态代替被控对象实际状态。仿真结果表明，该算法不需要建立被控对象的名义模型，在改变原有被控对象的参数后也能实现对系统状态的精确估计且无需系统实际状态的检测，能有效地克服扰动，提高了系统的控制精度以及鲁棒性。