大多数水面船舶仅依靠螺旋桨主推进器产生的纵向推进力和舵装置产生的转船力矩两个控制量,同时控制船舶水平面位置和航向3个自由度的运动,构成了一种颇具难度的欠驱动复杂系统控制问题。欠驱动水面船舶(USV)动态具有大惯性、大时滞、非线性等特点,并且受模型参数摄动,风、浪、流等环境干扰以及量测信息不精确等因素的影响,使得USV的运动控制存在固有的不确定性。常规线性或非线性控制算法通常难以获得综合优化控制性能。因此,研究USV运动的建模与控制问题,探讨新型智能控制算法,具有重要的理论意义和应用价值。(1)本文提出一种动态神经模糊模型(DNFM),用于逼近船舶的逆动力学特性。DNFM在学习中同时调整自身结构和参数,并能够自动划分输入空间、确定隶属函数的数量和模糊规则数,且无须专家知识就可实现自动建模。(2)将DNFM与经典PID控制相结合,提出具有离线与在线学习两种模式的控制器DNFPIDC,用于不确定条件下的船舶航向控制。仿真结果表明DNFM学习速度较快,逼近效果良好,适用于船舶航向的实时控制。(3)将DNFPIDC的设计思路扩展到USV的运动控制问题,采用两个DNFM与一个非线性控制器NC相结合的方式,提出一种DNFNC控制算法,用于USV的航迹跟踪控制。并给出了跟踪误差的收敛性证明。仿真结果验证了DNFNC的可行性和有效性。(4)将DNFM扩展为广义的GDNFM,并在其基础上提出一种自适应控制算法DNFAC,用于USV的航迹跟踪控制问题。且给出了控制系统的稳定性证明,同时进行了仿真验证。而且对基于DNFM的各种控制算法进行了比较说明。基于DNFM的USV运动控制研究结果表明,DNFM快速的学习算法和准确的逼近效果适用于具有SISO或MIMO特性的船舶(或USV)运动的实时建模与控制,并能有效地克服不确定性因素的影响。