如今,人工智能和先进控制技术高速发展,水面船舶控制向着智能化、快速化的方向发展,水面船舶控制作为船舶装备领域的一个重要模块,得到了国内外学者的广泛关注。船舶在航行的过程中受到外部环境的影响很大,在设计船舶运动控制器时如果充分考虑外界因素,可以在一定程度使船舶控制系统的鲁棒性能有所提高,对于船舶运动控制的研究有着重要意义。在欠驱动船舶路径跟踪过程中,存在着内部模型不确定和外界干扰等问题。为了解决这些问题,本文提出了一种基于径向基函数（Radial basis function,RBF）神经网络的滑模控制算法。在控制器的设计过程中,首先通过将横向位移偏差和反推法相结合的方法来进行参考艏向角的设计;接下来引入双曲正切函数设计非线性滑模面并通过计算得到滑模控制律;最后引入RBF神经网络分别对舵角增益、内部模型不确定项和外部干扰的不确定项以及流干扰和横向速度带来的扰动进行逼近,并通过构造李雅普诺夫函数进行了稳定性的分析。本文的主要创新点可以总结为以下两点:（1）现有船舶运动控制研究中都将船舶的舵角增益看成一个固定的值,然而在船舶的实际操作过程中舵角增益是变化的,不能简单的当成一个固定的值看待。本文中将舵角增益当成一个变量,通过RBF神经网络对舵角增益以及内部模型不确定项和外部干扰的不确定项进行逼近补偿。（2）考虑到船舶易遭受外界环境干扰影响而产生横向位移,同时考虑到RBF神经网络具有能够逼近非线性函数的特点。本文中利用RBF神经网络对流干扰和横向速度带来的扰动以及内部模型不确定项和外部干扰的不确定项进行了逼近。最后为了验证本文所设计控制器具有一定的有效性和鲁棒性,在MATLAB平台中采用船舶分离式模型（Mathematical model group,MMG）进行了仿真。仿真的结果表明,本文所设计的控制器可以很好地对参考直线路径和参考曲线路径进行跟踪,并且RBF神经网络也能够对舵角增益、内部模型不确定项和外部干扰的不确定项以及流干扰和横向速度带来的扰动进行较好的逼近。综上所述,本文中设计的船舶路径跟踪控制器具有很好的鲁棒性。