随着科技的快速发展，传统的基于模型的控制方法面临着建模精度差、代价高等诸多困难。于是，直接通过输入输出数据设计控制器的基于数据的控制方法应运而生，成为控制领域的新兴热点之一。作为新兴的研究方向，基于数据的控制方法在理论和应用上吸引了广泛关注，并取得了丰富的研究成果。然而，现有的许多基于数据的方法在处理高阶复杂系统和存在误差的多变环境下的控制问题时仍然存在着一定的缺陷。为此，在国家自然科学基金重点项目“基于数据的非线性控制系统分析与设计(61034002)”和“基于数据的建筑群及分布式能源系统一体化建模与自学习优化控制(61533017)”等的资助下，本项课题研究基于数据的系统分析和自适应优化控制方法及其神经网络实现。旨在将最优控制，机器学习和基于数据思想相结合，提出新的基于数据的具有学习能力的自适应优化控制理论和方法，扩展基于数据的控制方法的应用范围。本文的主要工作和贡献体现在以下三个方面.　　1.研究在包含噪声的条件下，离散线性系统基于数据的能控性和能观性分析问题。该方法在不识别系统模型的前提下，通过测量数据直接估计能控性矩阵和能观性矩阵，并分别证明了，在测量噪声和系统噪声存在的情况下，该估计是一致无偏估计。该方法相对于传统的模型辨识方法有着更高的精度和更少的计算复杂度。　　2.研究高维非线性离散系统的基于数据的自适应控制方法，将虚拟参考反馈整定方法和神经网络运用到高维非线性系统的控制器设计中。首次将虚拟参考反馈整定方法用于高维非线性系统中，并给出了严格的数学证明。在高维非线性系统中，用时域模型取代了传统的传递函数模型，重新描述关于模型参考控制的最优化问题，并给出了该问题的基于数据的近似求解方法。证明了基于数据的方法和原问题在理想条件下有相同的最优解，并且给出了非理想条件下的误差边界。　　3.给出了基于策略迭代的执行依赖自适应动态规划在求解模型未知的离散时间非线性系统最优控制问题时的收敛性和误差的边界分析。在迭代次数可以趋于无穷的理想条件下，证明了基于策略迭代导出的Q函数能够收敛到最优的Q函数。在考虑近似误差的情况下，我们给出了新的误差边界条件，并证明了在该条件下，近似的Q函数会收敛到最优Q函数的某个有限的邻域内。