Hammerstein系统是由非线性环节串联线性环节构成的模块化结构系统,可以表示多数实际非线性系统,因此研究此类系统具有重要理论意义和实际应用价值。典型Hammerstein系统非线性环节有迟滞、间隙、死区等,这些环节的存在极大影响了控制系统的性能。迟滞非线性大量存在于电机伺服系统、形状记忆合金、压电陶瓷、磁滞材料等系统和材料中,其模型主要有Preisach模型、Prandtl-Ishlinskii(P-I)模型、Bouc-Wen模型、Backlash模型等。不同迟滞模型的参数、结构和适用范围不尽相同,因此研究迟滞Hammersein系统的辨识和控制问题是十分必要的。论文对不同迟滞模型描述的Hammerstein系统的辨识和控制问题进行了研究,提出了新的辨识算法和规定性能函数,设计了高增益扩张观测器等估计系统未知状态,提出了自适应神经网络控制器等控制迟滞非线性系统。具体内容如下:(1)针对系统阶次未知的含有迟滞Preisach模型的Hammerstein系统,提出了盲辨识和下三角矩阵辨识法辨识模型参数并设计了混合控制策略精确控制该迟滞非线性系统。采用了Hankel矩阵估计线性环节未知阶次并通过过采样输出数据进行辨识,放松了已有盲辨识需要系统阶次已知的条件;改进了Preisach平面划分,建立了离散迟滞Preisach辨识模型,将积分形式转化为矩阵形式,通过矩阵计算降低了辨识复杂度,并且消除了Preisach模型“擦除”特性对辨识精度的影响;在辨识基础上,提出了由离散逆模型控制器和离散自适应滑模控制器组成的混合控制策略,离散逆模型控制器可以加快系统瞬态过程而离散自适应滑模控制器可以保证控制系统稳定且提高系统鲁棒性。(2)针对系统状态未知的含有迟滞P-I模型的Hammerstein系统,提出了基于高增益扩张观测器的自适应神经网络跟踪控制方法。首先设计了高增益扩张观测器估计系统未知状态,保证了观测误差的有界性;在观测结果基础上提出了自适应神经网络控制策略,通过滤波算法将跟踪误差转化为滤波误差,避免了运算中的“维数灾难”问题,降低了运算负担;利用了高阶神经网络估计系统未知环节,设计了神经网络权值更新律;提出了不需要逆迟滞模型补偿的自适应神经网络控制器,证明了在给定自适应律和更新律条件下闭环系统的稳定性,保证了闭环系统内所有信号最终一致有界并通过了仿真验证。(3)针对系统状态未知的含有迟滞Bouc-Wen模型的Hammerstein系统,提出了基于高阶滑模观测器的自适应模糊逻辑跟踪控制方法。设计了高阶滑模状态观测器观测系统的未知状态;考虑到未知Bouc-Wen迟滞模型参数较多,难以直接应用,提出了模糊逻辑系统估计Bouc-Wen模型及系统未知环节,通过设计模糊逻辑更新律放松了要求部分系统参数已知的假设;在此基础上提出了基于观测器的自适应模糊逻辑控制策略,证明了闭环系统的稳定性且保证了跟踪误差收敛于原点附近小的紧集内,仿真算例说明了所提出的控制方法正确有效。(4)针对含有迟滞Backlash模型的Hammerstein系统,提出了基于规定性能函数的自适应跟踪控制方法。为了解决跟踪误差范围难以有效约束的问题,提出了一种新的规定性能函数,将跟踪误差转化为规定性能误差。转换过程分为两步,首先通过复频域下转换将跟踪误差的矢量形式转化为标量形式,降低了计算复杂度;然后通过新提出的规定性能函数将标量误差转化为规定性能误差,保证了跟踪误差收敛于给定范围内;在误差转换的基础上提出了基于规定性能函数的模型参考自适应控制器,通过Lambert W函数证明了闭环系统的稳定性并通过仿真算例验证了所提出方法的正确性和有效性。(5)以转台伺服系统为对象,主要考虑迟滞的影响,通过实验验证了不同迟滞模型下Hammerstein系统的跟踪控制问题。针对用迟滞Preisach模型描述的Hammerstein系统,验证了未知阶次下盲辨识法和下三角矩阵辨识法的有效性;对比了离散逆模型控制、离散自适应滑模控制、混合控制三种不同控制策略,实验结果表明论文提出的混合策略控制效果更优。针对用迟滞P-I模型描述的非线性系统,建立了转台伺服系统的迟滞输入Hammerstein模型,设计了针对该系统的自适应神经网络控制器并与非线性PID控制进行了对比,实验验证了论文提出的自适应神经网络控制器有更好的响应速度和稳态控制精度。