随着人工智能、电子信息与新能源等技术的迅速发展和社会需求的强力推动,近年来无人水面艇(unmanned surface vehicle,USV)已进入快速发展的阶段。智能化、无人化的水面艇在军事、民用等领域得到了广泛的应用。为克服单艘USV能力的限制,由多艘USV组成的编队系统应运而生,并吸引了国内外许多学者对多无人艇系统的编队控制问题开展深入的研究。考虑到USV系统模型中存在着未建模不确定动态,本文采用径向基函数(radial basis function,RBF)神经网络在线估计动力学模型的未知非线性连续函数。此外,结合确定学习理论,能够对周期(类周期)轨迹的USV系统实现局部准确的辨识,并以常数神经网络权值的形式存储已辨识的系统动态知识,实现知识获取、表达、存储和再利用的目标。本文针对基于确定学习方法的USVs编队控制与学习问题展开研究,主要研究内容如下:(1)第二章研究基于有限时间的USV自适应神经网络跟踪控制问题。首先,本章采用非对称约束来量化输出跟踪误差的暂态特性,并选用指数衰减函数作为非对称误差约束条件。然后通过预设性能控制(prescribed performance control,PPC)方法保证跟踪误差满足非对称误差约束。其次,将有限时间方案纳入控制设计中,确保跟踪误差能在有限时间收敛到零附近的小邻域内。再次,结合Lyapunov稳定性理论与backstepping设计方法构造基于精确模型的系统控制器。在此基础上,考虑到实际中USV模型存在着未建模不确定动态,本文利用RBF神经网络的万能逼近能力,设计自适应神经网络控制器,并选用合适的二次型Lyapunov函数证明闭环系统满足预设的暂态和稳态性能。最后,通过MATLAB仿真验证了本章控制算法的可行性。(2)第三章主要针对一类具有外界未知扰动和模型不确定的USV系统,研究满足预设性能的同构多USV编队系统的协同控制与协同学习问题。首先,采用PPC技术与实际有限时间稳定(practical finite-time stable,PFTS)方法对编队跟踪误差进行转换,确保跟踪误差在有限时间内的收敛性。其次,通过扰动观测器估计外界未知时变扰动,并在编队控制器中给予补偿。再次,在各无人艇之间建立无向通信拓扑图,设计神经网络协同学习率,应用RBF神经网络逼近USV模型中的不确定动态。然后,结合backstepping设计方法对USVs编队系统进行分步递推设计,给出一种基于协同学习的编队控制器。并应用确定学习理论严格证明了该控制器不仅能在保证预设性能的前提下实现所要求的编队模式,而且能够实现对系统的不确定性动态进行局部准确辨识。在此基础上,应用确定学习理论与局部自适应神经网络的学习能力,设计基于经验的USVs编队控制器。当再次执行相同或相似的控制任务时,使用该经验(学习)控制器能够避免自适应神经网络的在线调整过程,进而实现快速准确的控制。最后,通过数值仿真验证了所设计的编队控制器与协同学习算法的有效性。