控制回路通过通信网络闭环的控制系统称为网络控制系统。网络控制系统中的网络诱导延时一般是不可避免的，并且往往是一种不确定性的随机延时，这给控制系统的精确设计带来了很大的的困难。此外，不确定性非线性对象在工程实际中大量存在。因此，不确定非线性网络控制系统的鲁棒分析和设计十分重要。当前，不确定非线性网络控制系统的鲁棒稳定性研究是其首要解决的学术难点问题。因此，本文针对一类不确定性非线性对象，通过Lyapunov定理来估计保证系统鲁棒稳定的最大网络延时，由此提出了网络控制系统鲁棒渐近稳定的充分条件。在网络控制系统中，控制回路完全通过网络形成闭环，由于存在网络延时、丢包，甚至瘫痪的危险，控制的稳定性和安全性很难保证。另一方面，随着生产规模的扩大，被控对象的不断拓展、复杂化且存在时变性，为了进一步提高其控制性能并保持优化状态，越来越多的带有学习功能的控制器纷纷出现。并且随着控制要求的高性能化，学习算法复杂度也在不断提高，当需要耗用相当的计算资源和存储资源时，现有的现场控制设备的计算和存储资源将难以胜任实施过于复杂的学习算法。即使有这样高性能的现场智能控制仪表，其价格也是非常昂贵的。为此，本文提出一种现场的控制单元，采用简单、易于实现的方式，而复杂的辨识、学习算法则通过网络连接的远端计算机实现，以求实现一种低成本、高性能、充分利用网络资源的控制系统，并称之为网络学习控制系统。基于上述原因，如果只采用确定性的、线性的控制策略将很难获得较好的控制性能。因此，针对不确定非线性对象进行网络学习控制系统的研究具有重要的价值，且网络学习控制系统的稳定性及学习收敛性研究是首要问题。为此，本文从以下几个方面进行了深入研究：首先，针对未知数学模型的被控对象，提出了基于三次样条插值的一步预测延时补偿模型，在此基础上为了提高延时补偿精度，进一步提出了三次样条滚动优化多步预测延时补偿算法。同时提出了神经网络作为网络学习的复合控制，并对网络环境下的复杂、时变被控对象进行了控制仿真。仿真结果验证了控制策略的有效性。其次，针对不确定非线性被控对象，提出了基于三次样条滚动优化多步预测算法校正非线性模型的综合预测延时补偿算法，以及相应的网络学习算法，并对网络环境下的不确定非线性对象进行了控制仿真。仿真结果验证了算法的有效性。再次，针对一类包含未知非线性函数的不确定性对象，采用动态递归神经网络进行本地控制，采用均匀三次样条插值算法针对未知非线性函数进行远程辨识，并通过三次样条滚动优化多步预测算法对网络延时进行实时补偿。最后针对有界不确定性网络延时，通过Lyapunov稳定性定理得到了保证系统稳定的动态递归神经网络的在线最大学习率，由此提出了网络学习控制系统渐近稳定的充分条件，并用仿真实验验证了理论分析的正确性。最后，开展了网络学习控制策略针对发电厂中的循环流化床锅炉(CFBB)的燃烧系统和氢氧燃料电池测试系统研究，通过实验仿真和现场测试验证了网络学习控制策略的可实现性。