非线性自适应逆控制是利用非线性信号处理技术解决非线性系统控制问题的一种很新颖的方法，针对它的研究具有重大的理论和实用意义。非线性自适应滤波技术是非线性自适应逆控制系统设计和应用的基础，针对当前非线性自适应滤波器采用梯度下降算法所带来的收敛速度慢，容易陷入局部极点的缺陷，本文提出并推导了限定记忆极限学习机算法，该算法不仅能够避免梯度下降算法的缺陷而且能够克服“数据饱和”问题，是一种优秀的非线性对象建模和逆建模方法。在采用限定记忆极限学习机算法的自适应滤波器的基础上，针对一般的非线性系统，本文设计了两种不同的自适应逆控制方案，为非线性自适应逆控制技术的完善和发展提供了新的思路。本论文主要进行了以下研究:　　1)为克服构成非线性自适应滤波器的动态神经网络收敛速度慢、容易陷入局部极点和对学习因子敏感的缺点，基于离线批量极限学习机算法，推导了极限学习机的在线递推学习算法。为解决极限学习机的在线递推学习算法存在的“数据饱和”问题，提出并推导了针对限定个数学习样本的限定记忆极限学习机算法。这种算法能够在增加新采样数据信息的同时，删除旧采样数据信息，避免出现“数据饱和”，从而提高了自适应滤波器的适应性和逼近精度，能够快速而且精确地逼近非线性时变对象的模型和逆模型。　　2)为解决极限学习机算法中求解逆矩阵时遇到的“病态矩阵”问题，提出对极限学习机中的预设参数进行优化选择。在分析研究鱼群优化算法和差分进化优化算法的基础上，提出了一种新的鱼群—差分进化混合优化算法，这种混合优化算法通过在学习过程中共享寻优过程中的当前最优信息，可以有效避免寻优算法早熟收敛，从而改善寻优结果。将所得的鱼群—差分进化混合优化算法应用于极限学习机预设参数优化选择，不仅有效避免“病态矩阵”问题，而且显著提高极限学习机的学习精度和泛化性能。　　3)针对一般非线性对象，研发了具有典型结构的RMELM-BPTM自适应逆控制方法。在该方法中，首先采用RMELM算法在线辨识被控对象模型，在此基础上利用BPTM方法在线学习获得自适应逆控制器和扰动消除控制器以分别实现被控对象动态响应控制和扰动消除控制。仿真结果显示，采用这种方法设计的自适应逆控制系统由于动态特性控制过程和扰动消除控制过程相互独立，都能达到最优而不必在两者之间进行折衷，因而控制系统不但具有良好的设定值跟踪性能和鲁棒性能，而且具有良好的扰动消除能力。　　4)基于RMELM算法和FEL算法，提出一种非线性RMELM-FEL自适应逆控制方法。该方法中，反馈控制器采用传统的PD控制器，用来保证系统的稳定性和抑制扰动;前馈控制器由RMELM训练动态神经网络逼近被控对象的逆模型获得，实施自适应逆控制以提高系统的控制精度。在这种控制结构中，RMELM直接采用被控对象的输入信号作为学习信号。仿真结果表明，RMELM-FEL自适应逆控制系统具有良好的设定值跟踪性能和对被控对象参数变化的鲁棒性能。　　5)将本文提出的RMELM-BPTM自适应逆控制方法应用于汽轮机转速控制系统，得到了一种新颖的汽轮机转速自适应逆控制系统。相比于常规的汽轮机转速控制方案，本文所提方案不仅转速指令跟踪性能更优，而且针对外部的电网负荷扰动，具有良好的抗干扰能力。