针对遗传算法以及神经网络控制中的若干关键问题展开了深入细致的研究，包括遗传算法的机理及其收敛性研究、免疫遗传算法、神经网络自适应控制以及遗传算法和神经网络相结合并在智能控制中的应用，具体研究内容主要包括以下几个方面：　　针对遗传算法(GA)的算法机理分析困难的问题，采用了解空间分区方法对遗传算法的种群进化过程进行定量分析。避免了由于解空间过大给分析带来的复杂性。运用该方法刻画了种群的进化行为，得到了算法过早收敛现象的起因、表现特征与预防措施等深刻的结果。　　针对遗传算法容易产生未成熟收敛现象的发生，结合对遗传算法的理论分析和免疫网络理论，提出了一种新的人工免疫遗传算法(AIGA)。在该算法中，利用了遗传算法的遗传与变异操作，并根据免疫网络基本特性，采用了免疫细胞的浓度自调节机制，来控制抗体的进化搜索过程，来防止遗传算法陷入局部最优点。因此可以避免算法的未成熟收敛现象的发生。仿真结果表明，该算法适用于函数优化问题。　　在非线性系统控制理论的基础上，深入研究了非线性系统自适应神经网络鲁棒控制器的设计问题，基于遗传算法和神经网络，提出了神经网络 L2增益抗干扰抑制控制器设计方法。该方法是根据神经网络的非线性函数拟合能力，来构造Lyapunov函数，并利用免疫遗传算法对神经网络权值进行离线优化，使得神经网络输出满足Hamilton-Jacobi(HJ)不等式，这样避免求解HJ偏微分不等式的解析解带来的困难。进而设计神经网络 L2增益抗干扰控制器，使得从系统外界干扰到系统输出为有限L2增益。　　针对存在不确定性的非线性系统的L2增益控制器设计问题，提出了自适应神经网络 L2增益控制器设计方法。为有效地克服了一般方法(例如反馈线性化方法等)需要被控对象精确建模的局限性，将基于HJ不等式的非线性系统神经网络 L2增益控制器设计方法和自适应策略相结合，只要求该不确定性是有界的，不需要其它的先验信息。为减轻神经网络对模型的拟合负担，我们充分利用已知的系统模型信息，让神经网络对系统模型的偏差进行拟合。由于存在拟合误差，引入补偿控制器和神经网络权值自适应调节律，通过在线自适应修正神经网络权值来保证闭环系统具有有限 L2增益。该方法适用于仿射非线性系统，具有一定的普遍性。　　针对一般的非线性系统很难得到稳定性分析中的Lyapunov函数的问题，提出了利用神经网络拟合Lyapunov函数的方法，并基于神经网络的非线性函数的拟合特性和Lyapunov稳定理论，给出了自适应神经网络鲁棒控制器设计方法。并应用于六自由度的倾斜转弯(Band-To-Turn, BTT)导弹控制系统中，设计了BTT导弹自适应神经网络鲁棒控制器。该控制器设计简单、参数调节方便，并且便于工程应用。利用该方法实现了BTT导弹控制系统的三通道一体化设计。并进行仿真研究，在仿真中考虑的不确定性包括：(1)阵风、脉动气流的扰动对大机动状态下飞行的影响；(2)飞行空气动力参数的摄动。仿真结果表明，利用该方法设计的自适应神经网络鲁棒跟踪控制器使得BTT导弹系统的输出能够较好地跟踪给定的控制指令信号，并对模型不确定性以及外部干扰具有很强的鲁棒性。　　为了处理机械臂系统中存在的不确定性和来自外部环境的干扰，提出了自适应神经网络L2增益控制器设计方法。该方法具有无需知道不确定性以及外部干扰的上界的特点。神经网络用来拟合系统中存在的不确定性，并且神经网络权值具有在线学习功能，其中引入的自适应学习律的作用是为了消除拟合误差对跟踪性能的影响，利用投影算法改进神经网络权值调节律，使得原闭环系统的性能指标仍然能够满足的条件下，保证神经网络权值有界。此外，针对具有未建模动态机械臂系统，给出了自适应神经网络控制器设计方法。为了避免系统中的未建模动态中的状态变量无法作为控制器的输入的问题，利用神经网络对未建模动态部分进行拟合，并设计了补偿控制器和神经网络权值自适应调节律来消除拟合误差对系统性能的影响，实现了对于具有未建模动态的非线性的机械臂系统的输出跟踪给定的指令信号的目的。