实际的控制系统中经常存在时滞现象．而这些时滞是造成系统不稳定和性能变坏的根源．同时，外界干扰、测量误差和建模误差也会引起系统的不确定性．所以对不确定时滞系统的控制问题近年来得到广泛的研究．现有文献对于时滞系统的控制主要有基于LMI的鲁棒控制方法，自适应控制方法以及智能控制方法．这几种方法各有优缺点，分别适用于不同的被控对象．但是把几种方法结合在一起的控制方案还未见于文献．系统的时滞按照时滞量的连续性可划分为离散时滞和分布时滞；按照对系统的影响可分为状态时滞和输入时滞．现有文献对于含离散时滞和状态时滞的对象研究较多，对于含分布时滞的对象研究较少．对含输入时滞的线性系统的控制，现有文献常用鲁棒控制方法，而对于含输入时滞的不确定非线性系统，尚没有有效的控制方案．针对存在的上述问题，本文对于不确定时滞系统的鲁棒控制与自适应控制作了一些研究与探索．主要研究内容包括： 针对一类变时滞的不确定线性系统的H∞控制问题，提出一种鲁棒神经网络控制方案．这个方案结合了线性矩阵不等式方法，神经网络和自适应方法三种控制策略．采用线性矩阵不等式方法，状态反馈被用来控制系统的常数部分．神经网络和自适应方法用来估计系统的未知连续函数．该控制方案不但保证了闭环系统的稳定性而且使系统满足H∞性能指标． 针对一类同时带有离散与分布时变时滞的不确定线性系统的指数稳定问题，提出一种鲁棒神经网络控制方案．对于任意满足条件的不确定性，控制方案不但保证了闭环系统的Lyapunov稳定性，而且在增加了两个假设条件后，可以证明闭环系统指数稳定．对于具有多个离散与分布时变时滞的不确定线性系统，同样可以设计控制器，使得闭环系统指数稳定． 对于带有输入时滞和状态时滞的非线性系统提出一种结合了后推设计，自适应控制，神经网络和滑模控制的控制方案．通过状态变换，把输入时滞系统转化为无输入时滞的系统．对转化后的新系统设计控制器，使得新系统的状态有界，然后利用转化前后两个系统的关系，证得原系统的状态也有界．对于具有输入时滞的Brunovskv系统，证明了闭环系统输出跟踪给定信号，并且跟踪误差指数衰减到零．神经网络和自适应方法用来估计系统的未知连续函数，滑模控制用来保证系统的稳定性．对于满足条件的时滞系统，控制方案保证了闭环系统半全局一致有界． 对于带有输入时滞和状态时滞的非线性系统提出一种基于后推设计和自适应神经网络的输出反馈控制方案．构造了滤波器和虚拟状态观测器代替不可测的系统状态．通过状态变换，把输入时滞系统转化为无输入时滞的一般系统．对转化后的新系统设计控制器，使得新系统的状态有界，然后利用转化前后两个系统的关系，证得原系统的状态也有界．对于满足条件的时滞系统，控制方案保证了闭环系统半全局一致有界． 考虑一类带有离散和分布时滞的随机高阶神经网络．通过设计Lyapunov-Krasovskii泛函和随机分析，给出了有效的稳定性判别条件，它保证了系统在均方意义上全局渐近收敛到平衡点．该条件是以两个线性矩阵不等式形式给出，利用MatlabLMI工具箱易于验证系统的稳定性．而以往应用传统的矩阵范数理论(例如M-矩阵方法)需要人工调节参数，无法直接通过计算验证系统的稳定性．进一步，对于含有不确定系数项和控制项的时滞随机高阶神经网络，提出一种鲁棒控制方案及相应的闭环稳定性判别准则．