复杂系统在运行过程中,传感器、执行器及系统内部元件都不可避免地会发生故障,因此其可靠性、安全性与有效性的要求越来越高。但由于实际的复杂动态系统往往呈现非线性,同时又由于系统的数学模型不确定性的存在,使得上述要求较难满足。因此,不确定非线性系统的鲁棒故障诊断和容错控制技术越来越受到重视和关注,已成为控制界的前沿研究课题,也是当前国际学术界所关注的热点和难点之一。本文针对几类不确定非线性系统,基于观测器方法、自适应技术和神经网络技术,研究鲁棒故障诊断和容错控制问题。主要研究工作如下:针对两类不确定非线性系统,分别研究了基于滑模/自适应观测器估计和神经网络学习的鲁棒故障诊断问题。首先在系统故障模型可结构参数化的前提下,通过微分同胚变换,基于滑模/自适应观测器参数辨识方法分别获得了针对执行器型和传感器型故障的鲁棒故障诊断决策逻辑算法。该算法避免了现有文献中执行器或内部元件故障参数辨识需对系统输出求导和要求满秩的条件。进一步在系统状态完全可测和不完全可测条件下,基于自适应神经网络滤波器,研究了不确定非线性故障检测和诊断问题,给出了一种新的对突变故障和缓变故障同样适用且残差阈值较小的鲁棒故障检测和诊断方法。在状态完全可测时,利用系统状态输入的一种广义动态神经网络,建立了系统故障特性的逼近模型;在状态不完全可测时,利用观测状态输入的广义动态神经网络,建立了系统故障特性逼近模型。并分别分析和证明了故障检测的鲁棒性和诊断系统的稳定性。仿真结果证明了所提出方法的有效性。针对一类既存在结构失配也包含参数失配的不确定非线性系统,提出了一种基于不确定界自适应估计的主动鲁棒容错控制。在模型失配参数和结构失配不确定上界自适应估计的鲁棒控制下,提出了一种新的残差阈值较小的故障检测和诊断算法。当检测到故障已发生,利用神经网络提供的故障特性函数,提出了一种修正控制律的自适应鲁棒容错控制器设计方法。该控制器通过补偿故障所带来的影响使闭环系统一致有界稳定。针对无阻塞喷气式发动机压缩系统模型,给出了一个详细的仿真研究,验证了提出的故障诊断和容错控制方法的有效性。与现有的一些研究比较,所给方法具有快速诊断故障和提高容错控制性能的特点。针对两类不确定非线性系统,利用一种新的参数投影方法,分别研究了高性能