在人工智能、先进控制技术高速发展的时代,水面船舶控制越来越向着智能化、快速化控制发展。水面船舶运动控制是船舶装备领域的一个重要模块,受到国内外学者的广泛关注。水面船舶航迹控制性能受到外界海洋环境的影响较大,考虑风、浪、流因素设计航迹控制器能够有效地改善船舶系统的控制效果,降低船舶在航行过程中的偏航距离,缩短船舶到达目的地的航行时间,延长船舶仪器使用寿命及减少能源消耗。由此,通过对风、浪、流因素进行在线逼近并在控制器设计过程中进行补偿,能够在一定程度上提高船舶控制系统的鲁棒性能,并对船舶运动控制研究具有重要意义。本文的主要创新点可以总结为以下2点:（1）考虑到水面船舶存在由外界未知环境干扰造成的横向位移问题和外界干扰不可测等问题,本文设计了一种基于RBF（Radial basis function,RBF）神经网络和非线性干扰观测器（Nonlinear disturbance observer,NDOB）的非线性滑模控制器。在所提控制算法中,设计了非线性干扰观测器来对外界干扰造成的横向位移进行观测并对控制器进行补偿。由于RBF神经网络和非线性观测器的优势,所提控制算法能够降低滑模系统的内部抖振。此外,通过构造非线性滑模函数设计水面船舶航迹控制算法,与传统滑模算法相比,提高了控制系统的收敛速率并且更符合实际控制要求。（2）针对水面船舶易遭受外界环境干扰影响而产生横向位移的航迹控制问题以及考虑到RBF神经网络具有能够逼近非线性函数的特点,本文提出了一种基于RBF神经网络算法逼近横向位移的非线性滑模控制器。在所提控制算法中,利用RBF神经网络算法替代非线性干扰观测器,对外界干扰引起的横向位移进行估计并补偿,从而达到控制目标。与非线性观测器相比,RBF神经网络更适用于工程实际。为了证明本文所设计的控制器具有一定的有效性和鲁棒性,利用MATLAB平台的Simulink模块建立三自由度的“育龙”轮航迹控制模型,分别在两种环境干扰（定常干扰和时变干扰）下进行仿真实验。仿真结果表明,本文所提出的控制器能够有效地估计外界未知干扰造成的横向位移和模型不确定项以及外界不可测扰动。