伺服系统广泛应用于许多高科技领域,随着科学技术的飞速发展,对伺服系统的精度要求也越来越高。在实际运用中,伺服系统存在着摩擦、参数不确定和外部扰动等非线性因素,降低了伺服系统的控制性能。本文采取基于模型和不基于模型这两种补偿策略设计控制器对非线性因素进行补偿,研究了伺服系统的辨识与控制。通过在线估计模型中各参数的值,得出非线性因素的大小并进行补偿,比较这两种策略,分别得出各自的优劣。论文的主要工作为:(1)基于广义跟踪误差的RBF神经网络控制。采取不基于模型的补偿策略,将系统的非线性因素当成一个整体,即为一个非线性函数,利用基于RBF的神经网络算法对该非线性函数进行逼近从而得出非线性因素的值。设计基于广义跟踪误差的RBF神经网络控制器,该控制器由三部分组成:广义跟踪误差反馈项、鲁棒项和RBF神经网络逼近项。该控制器实现了转台伺服系统的跟踪控制。仿真结果验证了基于广义跟踪误差的RBF的神经网络控制算法的有效性。(2)基于带有遗忘因子的多新息最小二乘法的参数估计。利用多个新息量对前一时刻的参数估计值进行修正,此方法比传统最小二乘法的估计精度更高。引入遗忘因子,设计带有遗忘因子的多新息最小二乘法克服了数据饱和问题,实现了对时变参数的估计。通过仿真比较,验证了基于带有遗忘因子的多新息最小二乘法的有效性。(3)基于滤波自适应参数估计的非奇异时变终端滑模控制。将参数估计的误差信息加入自适应律的设计中,通过引入滤波算子得到参数估计的误差信息,保证了参数的估计量收敛于真实量,增加了参数估计的精度。而且加入辅助矩阵,以判断辅助矩阵最小特征值的正负来在线监测是否满足持续激励条件,避免了加入扰动信号,提高了系统的工作效率。在结合了时变滑模控制和终端滑模控制优点的基础上,通过利用非奇异时变终端滑模控制来保证跟踪误差的有限时间收敛,消除了状态到滑模面的到达阶段,加快了收敛速率,而且消除了奇异性问题。仿真表明该算法比最小二乘法参数估计精度更高且收敛更快。(4)基于最优自适应参数估计的变增益超螺旋滑模控制。引入带有遗忘因子的性能指标函数对系统的参数估计误差进行限制,设计变增益的自适应律使得估计误差值最小,从而实现超调量的减小,提高了参数估计的精度。引入遗忘因子,加大当前数据的作用,减小历史数据的作用,消除数据饱和现象,从而得出时变参数的估计值。设计基于变增益的超螺旋算法的滑模控制,生成无抖动的连续控制信号,从而减弱了抖振现象。通过在转台伺服系统实验平台的实验比较,验证了基于变增益的最优自适应参数估计方法的有效性。