海洋是一个巨大的资源宝库,而自主水下机器人（AUV,Autonomous Underwater Vehicle）是探索海洋的有力工具之一,但是AUV是一个典型的强耦合、非线性、欠驱动的动态系统,与传统的AUV相比,升力型高速AUV设计了升力翼,在不同航速下会产生不同的升力,并且相比于传统的AUV,升力型高速AUV具有宽航速和大负载的特点,使得升力型高速AUV精确的运动控制变得非常困难。因此,本文研究了升力翼的特性,建立了升力型AUV的运动模型,并在确保AUV稳定性的基础上,设计了基于径向基神经网络的滑模控制算法,有效提高了稳态精度、抑制了系统的抖振。具体研究内容和工作如下:首先,研究了升力型高速AUV与传统AUV的不同之处,对升力型高速AUV升力翼的特性进行了分析,结和传统AUV的建模知识,建立了升力型高速AUV的运动学和动力学模型,并进行了系统模型参数辨识,为升力型高速AUV运动控制算法的设计和算法的仿真验证提供了基础。其次,研究了滑模控制的基本原理,利用AUV的系统模型,在基于李雅普诺夫稳定性的基础上设计了滑模控制算法。并通过对滑模控制理论的进一步分析,针对其抖振严重难以实际应用的缺陷,通过对边界层特性进行改进,设计了 AUV的深度和航向控制器。进行了仿真实验,仿真结果表明改进后的滑模控制算法与常规的滑模控制算法相比,改进后的滑模控制能够使系统在保证稳定性和控制精度的前提下,削弱系统抖振,控制器的输出更加平缓,提高了其工程实用性。再次,研究了径向基神经网络的基本原理,对其在线建模能力进行了分析。对于模型不精确部分通过径向基神经网络进行在线补偿,提高模型精确性。通过基于径向基神经网络补偿的滑模控制算法设计了 AUV的深度和航向控制器。进行了仿真实验,仿真结果表明补偿后的滑模控制算法与补偿前的滑模控制算法相比,补偿后的滑模控制算法能够使系统在削弱抖振的前提下获得更好的控制精度。最后,对本文基于径向基神经网络的滑模控制在AUV运动控制方面的应用情况进行了分析,总结了本文的研究内容以及获得的研究成果,并对论文提出了进一步的展望。