近空间飞行器( Near Space Vehicle NSV)是各军事大国日益关注的新型飞行器,具有重大战略价值,区别于传统航空器与轨道航天器,NSV具有飞行空域特殊、飞行包络极大、高机动、多任务模式、多工作状态等特点,使得适应其运动特点的高性能飞行控制系统的设计成为一项极具挑战性难题,围绕这一难题,本文在NSV的大包络飞行运动建模与特性分析、时变非线性系统稳定性、非线性不确定鲁棒自适应飞行控制等方面开展了较为深入的研究,主要研究成果如下:参照国内外公开发表的文献资料,并采用本文作者所在实验室已建立起来的近空间飞行器动力学模型,给出并完善能反映NSV多变量、高度非线性等飞行控制特性的数学模型,仿真结果表示所建模型具有复杂的非线性、耦合性及时变性等特点。其次介绍了轨迹线性化控制(Trajectory Linearization Control TLC) )控制方案的基本思想及TLC方法理论基础,并采用TLC方法为近空间飞行器设计了NSV飞行控制系统;TLC方法在外界不确定变大时会显示出其局部指数稳定,当NSV高超声速飞行时,系统模型与已建模系统有较大偏差,故提出了基于全调节径向基神经网络(Fully Tuned Radial Basis Function Neural Network FTRBFNN)的鲁棒自适应轨迹线性化控制,采用FTRBFNN对不确定和干扰构成的复合干扰进行在线逼近,并依据Lyapunov稳定性理论设计出该控制策略的自适应控制律,并加以证明。FTRBFNN具有良好的逼近性能,而且控制律中增加鲁棒项可以有效消除系统的跟踪误差,提高系统控制精度。在高超声速条件下对NSV进行的姿态运动仿真,结果表明,所设计的复合控制策略在干扰较大的情况下依然具有较好的控制性及鲁棒性。接着小波神经网络对未知非线性函数具有良好的逼近能力,据此研究了基于小波神经网络的鲁棒自适应轨迹线性化控制方法,采用适用于多输入多输出非线性系统的单尺度小波框架函数(Single-Scaling Wavelet Frame)作为小波网络激活函数,并推导出其相应的控制策略。依据Lyapunov稳定性理论设计出单尺度小波神经网络自适应调节律,并证明了采用该自适应调节律可以保证闭环系统所有误差信号最终有界。仿真结果表明,NSV在高超声速飞行条件下采用本章研究的各种鲁棒自适应轨迹线性化控制方案不仅有效,而且可以获得良好的控制性能。通过借鉴智能干扰观测器的设计方法,充分利用系统的有用信息,对未知不确定进行在线逼近,研究了基于小波神经网络干扰观测器(WDO)的鲁棒自适应轨迹线性化控制策略,控制律基于轨迹线性化控制方法结合李亚普诺夫稳定方法推得。小波神经网络干扰观测器在控制律调整时将系统跟踪误差和观测器本身观测误差同时考虑,提高了系统对未知非线性的逼近精度。同时采用Lyapunov方法对本文提出的控制策略证明了系统的稳定性。仿真结果表明,本文提出的控制方案在NSV高超声速飞行状态能得到良好的控制性能和鲁棒性能。依据模糊神经网络的设计思想,将模糊技术与小波神经网络相结合即模糊小波神经网络(Fuzzy Wavelet Neural Network, FWNN),利用小波神经网络的学习功能来优化模糊控制规则和相应的隶属函数,可以减弱人为选择模糊规则主观性缺点,即模糊规则和隶属函数可以自动学习生成。依据该方法思想,基于轨迹线性化方法针对NSV六自由度动力学模型进行了控制器设计,并进行稳定性分析;源于模糊小波神经网络自适应律是依据Lyapunov稳定性定理设计的,所以通过证明过程可知所设计的自适应律能保证闭环系统跟踪误差和权值误差有限时间内渐近收敛。仿真结果显示,在此条件下,本章所设计的飞行控制系统仍有更好的自适应能力及强鲁棒性,验证了控制器的有效性。