非线性系统广泛存在于实际系统中，它的建模与控制一直是控制理论中的难点。由于经典控制理论只适用于线性系统；而非线性系统的相平面法和描述函数法只能分析简单的非线性系统；几何理论则需要系统的精确的数学模型，这给非线性系统的研究带来了很大的困难。因此，必须寻找新的工具和方法来研究非线性系统的控制问题。 本文利用神经网络的全局近似能力，研究了仿射非线性系统的自适应控制问题。基于Lyapunov稳定性理论，推导出了神经网络权值在线学习规律，保证了系统的全局稳定性，同时，为了消除或减小外部干扰以及神经网络逼近误差，在控制器设计时结合了鲁棒控制方法，使得系统具有一定的鲁棒性。最后考虑了这些控制方法在机器人控制和混沌系统同步中的应用问题。具体内容如下： 研究了一类单输入单输出仿射非线性系统的自适应跟踪问题。主要结果有：1)针对一类未知的单输入单输出仿射非线性系统，提出了一种基于神经网络的滑模自适应控制方法。该方法利用神经网络学习系统中的非线性函数，神经网络的权值由Lyapunov稳定性理论导出，并且在线调整；考虑到网络逼近误差和外部干扰的存在，文中利用滑动模态对参数和扰动不敏感的特点，实现了系统的鲁棒输出跟踪。2)针对一类未知的单输入单输出仿射非线性系统，提出了一种基于神经网络的H_∞自适应控制方法。该方法针对滑模控制方法由于控制律不连续容易引起系统的抖颤的不足，设汁了一种新的控制器，即H_∞控制器。所设计的控制律连续并且使得系统具有H_∞跟踪性能。3)针对一类不确定性非线性系统，利用神经网络来学习实际模型和系统标称模型之间的偏差，采用类似2)的方法，提出了一种H_∞自适应方法。该方法有效地克服了几何方法要求不确定性满足匹配条件的限制，同时利用系统已知的信息，减轻了神经网络的学习负担，加快了神经网络的训练速度，使得控制律更加简洁，便于工程实现。 研究了一类多输入多输出仿射非线性系统的自适应跟踪问题。这一部分的工作主要是单输入单输出情形的推广，在这里得到了类似单输入单输出情 蒸山大学工学硕士学位论文形的结果。 研究了n－自由度机械手的轨迹跟踪问题。针对计算力矩法对模型误差敏感，鲁棒性差的特点，文中将神经网络和计算力矩方法结合，首先根据标称模型设计计算力矩控制器，然后采用神经网络来学习系统中的不确定性，神经网络的输出作为补偿控制器：有效的克服了机械手由于工作环境和负载变化等不确定性引起的控制品质的破坏。 研究了扰动情况下混炖系统的同步问题。在同步的两个混饨系统都存在扰动情况下，利用神经网络学习系统中的不确定性和扰动，神经网络的输出作为补偿器，实现了两个系统的鲁棒自适应同步。有效地克服了扰动对同步的破坏。