随着被控系统的复杂性、控制任务的实时性以及作业环境的不确定性愈益突出,依赖于被控对象精确数学模型的传统控制理论与方法已愈发难以解决复杂非线性系统的控制问题。神经网络因其对连续非线性函数的逼近能力、强大的自适应学习能力以及高度并行能力等优势,在复杂系统控制领域获得了广泛的应用。作为对生物神经网络特性的一种人为模仿（模拟）,神经网络的学习和智能程度主要取决于其对生物特性的模仿程度,或者叫仿生度。因此,如何构建更具生物特性的仿生神经网络,并探索基于这类神经网络的控制理论及方法,具有重要意义。本文结合神经科学与复杂网络理论的研究成果,从神经可塑性和神经网络结构两方面出发,构建深度仿生的神经网络,并研究基于此类神经网络的非线性系统自适应控制方法。主要完成工作概括如下:（1）从内部可塑性出发,针对目前控制领域应用最为广泛的径向基函数神经网络（RBFNN）,本文首次提出基于径向基函数的内部可塑性模型并构建基于内部可塑性的RBFNN;然后,针对一类不确定非线性系统的跟踪控制问题,设计基于内部可塑性的径向基函数神经网络自适应控制器,并借助于李雅普诺夫稳定性分析方法证明了所设计的控制器可以保证跟踪误差的一致最终有界;最后,通过仿真验证,与基于传统RBFNN的控制方法相比,本文所提出的基于内部可塑性的RBFNN控制方法能够有效提高控制精度。（2）从多种神经可塑性并存出发,将单一考虑内部可塑性延伸到考虑内部可塑性和突触可塑性的共同作用,同时将基于前向结构的RBFNN拓展到具有反馈连接的新一类递归神经网络结构——回声状态网络（ESN）,构建内部可塑性和突触可塑性并存的回声状态网络,其中,内部可塑性用于调节隐含层神经元的激活函数,突触可塑性则用于调节隐含层神经元的连接权值,以实现激活函数与神经权值的同时调节;然后,针对一类不确定多输入多输出系统的跟踪控制问题,设计基于多种神经可塑性的回声状态网络自适应控制器,并借助于李雅普诺夫稳定性分析方法证明了所设计的控制器可以保证跟踪误差的一致最终有界;最后,通过仿真验证,与基于RBFNN的控制方法和只基于内部可塑性的回声状态网络控制方法相比,本文提出的基于多种神经可塑性的回声状态网络控制能够实现更优的控制性能。（3）从多样化多簇结构出发,借鉴哺乳动物大脑皮质层的簇状结构,首先离线生成具有多簇结构的递归网络并构建基于多样化多簇储备池的ESN,其中,同一簇中的神经元具有相同功能,即享有相同类型的激活函数且连接紧密,而不同簇之间的神经元具有不同功能且连接稀疏。该类结构不仅减少了在线计算量,而且弱化了神经元之间的耦合强度,丰富了网络整体的动态特性;然后,针对一类不确定多输入多输出系统的渐近跟踪控制问题,设计基于多样化多簇储备池的回声状态网络自适应控制器,并以李雅普诺夫稳定性分析为基础,证明所设计的控制器可以实现跟踪误差的渐近稳定;最后,通过仿真验证,与传统的控制方法相比,基于多样化多簇储备池的回声状态网络控制显现优势。（4）从深层网络结构出发,将现有的具有单个储备池的浅层ESN扩展到具有多层储备池的深度ESN,并且每个储备池分别采用结构不同的多样化多簇网络取代传统的随机网络;然后,针对一类不确定多输入多输出系统的给定性能跟踪控制问题,设计基于多样化多簇储备池的深度回声状态网络自适应控制器,并以李雅普诺夫稳定性分析为基础,证明所设计的控制器可以实现跟踪误差的给定性能;最后,通过仿真验证,与基于浅层回声状态网络的控制方法相比,基于多样化多簇储备池的深度回声状态网络控制方法能够有效加快收敛速度、提高控制精度。（5）从神经可塑性和复杂网络结构并存出发,构建内部可塑性、突触可塑性以及多样化多簇结构并存的深度回声状态网络;然后,针对一类不确定机器人系统的跟踪控制问题,设计神经可塑性和复杂网络结构并存的深度回声状态网络自适应控制器,并以李雅普诺夫稳定性分析为基础,证明所设计的控制器可以保证跟踪误差的一致最终有界;最后,分别对本文所提出的基于神经可塑性、基于改进网络结构、基于神经可塑性和改进网络结构的三种神经网络自适应控制方法进行比较,仿真结果发现,神经可塑性和复杂网络结构并存的深度ESN控制方法的控制性能优于只考虑神经可塑性或者神经网络结构的控制方法。同时,基于神经可塑性的控制方法比基于改进网络结构的方法具有更高的控制精度。