作为一种典型的智能结构,压电作动器具有分辨率高、响应快、能量密度大等特点,在航空航天、生命科学、精密定位与测量、振动主动控制等领域有着广泛的应用。然而其本身固有的迟滞非线性特性,增加了压电作动器的控制难度,严重的可能会导致系统振荡。而且迟滞非线性特性是率相关的,大大加剧了模型建立和控制的难度。如何有效对智能结构进行建模和控制,具有重要的理论研究的意义和工程应用的价值。本文基于RBF神经网络模型,研究压电作动器的建模和控制问题,深入研究其率相关迟滞非线性。主要工作如下：接收和调试了相关实验设备,设定了设备的使用条件和参数,搭建了研究迟滞非线性系统的整套实验平台。学习并实现了MPI模型,对压电作动器和超磁致伸缩作动器的特性进行了初步的了解和研究,对智能结构的迟滞非线性和率相关性有了一定认识。学习使用了dSPACE配套的开发软件,熟悉了完整的实验开发流程,掌握了建模和控制的思路和步骤。采用RBF神经网络模型和ARX模型构建了压电作动器的Hammerstein模型,分别表征压电作动器的迟滞特性和率相关性。为了克服压电作动器的多值映射性,编写了基于PI模型的迟滞因子,作为RBF神经网络的辅助输入。给出了迟滞模型的辨识方法,和压电作动器的实测数据进行了对比验证,实验结果表明所设计的压电作动器建模方法容易辨识,模型结构简单,频率泛化能力强。实现了基于MPI模型和BP神经网络模型的压电作动器模型,对三种模型的建模效果进行了比较和分析。掌握了基于d SPACE实验平台的控制系统开发步骤,介绍了S-Function的编写方法和原理。设计了基于RBF神经网络逆模型补偿的前馈控制,结合PID控制器反馈控制的复合控制策略,设计了跟踪控制实验。同时实现了基于MPI逆模型的复合控制策略,和只采用RBF神经网络逆模型补偿的前馈控制策略,进行了实验对比和结果分析。结果表明所设计的控制策略能进行有效控制,和后两种控制策略相比,控制精度更高,泛化能力更强,能够满足工程和研究需要。