具有模型不确定性的非线性系统控制研究,具有极高的理论价值和实际意义,已成为非线性系统控制领域的研究热点之一。本文提出非线性参数化模糊神经自适应控制策略,为上述不确定非线性系统控制问题提供了有效的解决方法。针对两类不确定非线性系统,本文分别提出了基于非线性参数化模糊系统的自适应控制方法和基于极速学习机神经网络的直接自适应控制方法。首先,本文提出了一种基于变伸缩因子模糊系统的直接自适应控制方法。变伸缩因子模糊系统由一系列可伸缩的广义模糊基函数组成,通过伸缩因子的自适应调整,实现了模糊控制系统输入空间的自适应模糊划分,从而能够在不增加规则的前提下提高控制精度。其次,为了进一步精简模糊规则,本文提出了一种基于自组织椭球基函数的自适应模糊控制器。采用自组织椭球基函数模糊系统逼近理想控制律,并引入鲁棒补偿项保证系统稳定性。自组织椭球基函数模糊系统能够动态地生成和修剪规则,在保证逼近精度的前提下,可实现精简模糊系统结构,降低计算负荷。结果显示仅需极少的模糊规则即可实现理想的控制效果。针对一类具有不匹配且结构未知的不确定性的严格反馈非线性系统,提出了一种基于自组织椭球基函数模糊系统和后推法的自适应控制算法。结合后推法进行控制器设计,并采用自组织椭球基函数模糊系统逼近未知非线性动态,实现具有自组织结构的自适应模糊控制。仿真结果验证了该控制方法的有效性和优越性。最后,本文提出了两种基于极速学习机神经网络的自适应控制器。极速学习机具有结构简单和人为调整参数少等优点,因而自适应极速学习机控制器具有设计简单和计算负荷小等特点。为了进一步降低计算复杂度,提出了一种基于最少学习参数算法的自适应极速学习机控制,该方法仅需对一个参数进行在线自适应调整。仿真结果验证了上述算法的有效性和优越性。