外部扰动和时间延迟等因素广泛存在于实际的被控系统中,比如污水处理溶解氧浓度的控制过程等。此类因素容易导致系统不稳定,因此在实际控制的过程中,要重视这类因素的影响。本文深入研究了带有外界干扰的非线性时滞系统的控制问题。将自适应与神经网络方法相结合,解决了单一控制方法在对系统进行控制时所产生的缺陷。论文的研究内容如下:首先,通过对举出的简单实例进行仿真,验证了RBF神经网络的函数逼近性能,同时对比了各参数对于函数逼近性能的影响,并且比较了梯度下降法和新型混合算法对RBF网络逼近性能的影响,得出的结论为后者在网络训练速度方面更快。其次,针对一类严反馈时滞非线性系统,通过结合Lyapunov函数和backstepping方法提出了一个自适应神经网络控制方案。在该方案中,应用RBF神经网络来逼近未知的非线性,随后基于backstepping技术设计了自适应神经网络控制器,最后通过MATLAB仿真证明了控制器的有效性,并且通过仿真与原文献结果进行了对比,在确保整个闭环控制系统稳定的前提下,提高了系统的跟踪速度与精度。然后,针对一类带有输入延迟和外界扰动的非线性系统设计自适应神经网络的控制方案,利用滤波器和虚拟观测器代替系统的状态,并通过Lyapunov函数证明了所设计控制器的有效性。通过仿真验证了系统的跟踪性能,保证了系统能够在有限的时间内达到稳定状态,反应了所设计的自适应神经网络算法是合理有效的,并且通过与改动前被控系统的仿真结果对比,体现了所设计控制算法在抗干扰能力方面的优越性。最后,论文将带有外部扰动的非线性时滞系统的控制算法应用到实验室污水处理实验平台上,将实验的仿真结果与PID算法的实验结果进行对比。通过对比可以看出,使用本文控制算法得到的效果优于PID算法的效果。