实际工程控制系统的动静态性能经常受到包括广义未建模动态、模型参数摄动、传感噪声和外界干扰等不确定性的严重影响。随着现代科学技术的高速发展，被控对象和环境的复杂程度越来越高，实际生产过程对系统控制精度和可靠性的要求也越来越高，因此对控制系统干扰抑制的研究已成为当前控制界的研究热点之一。抑制干扰是保证系统高精度控制的关键技术。为了有针对性设计干扰抑制控制策略，干扰信息的获取很重要。而在大多数情况下，实际系统受到的干扰是难以测量的。干扰观测技术是一种有效的干扰软测量技术，在实际工业控制系统中得到了成功应用并产生了很大的经济效益。　　然而对于非最小相位系统、多输入多输出(MIMO)耦合系统、参数大范围时变系统以及难以精确建模的复杂系统，传统的干扰观测技术具有一定的局限性。本文针对现有的基于干扰观测器的控制方法的局限性，研究了基于神经网络干扰补偿的若干控制方法和应用问题。首先研究了最小相位系统的神经网络干扰观测器设计方法，其次研究了非最小相位系统的神经网络干扰观测器设计方法，然后研究了MIMO耦合系统的神经网络干扰观测器设计方法，结合现有成熟的反馈控制方法设计复合控制器来提高系统的抗干扰能力。为了保证系统更好的动静态性能，反馈控制设计也很重要。为了提高控制系统的自适应性，设计了基于在线参数辨识和干扰估计补偿的神经网络自校正控制方法。为了提高预测控制的精度，结合干扰观测技术设计了基于新型复合神经网络预测模型的抗干扰预测优化控制方法。并将以上几种方法在伺服控制系统和过程控制系统等多个实际工程系统中进行了仿真验证。论文主要工作概括如下:　　(1)针对最小相位系统设计了适用于参数大范围变化和严重外部干扰情况下的神经网络干扰观测器。提出了一种能同时在线调整神经网络参数和网络结构的学习算法，仿真结果表明该学习算法能在保证神经网络辨识精度的情况下简化网络结构，从而加快学习速度;研究了基于神经网络干扰观测器的自适应复合控制器，并将该方法应用到永磁同步电机调速控制系统中，仿真结果表明该方法能有效地抑制突加负载干扰和惯量大范围变化给系统造成的不利影响。　　(2)研究了非最小相位系统的神经网络干扰观测器的设计问题。通过构造伪系统的方法解决了非最小相位系统逆模型不稳定的问题，用神经网络来辨识伪系统的逆模型并证明了逆模型的稳定性。基于得到的伪系统的逆模型设计了一种新型神经网络干扰观测器，结合反馈控制方法设计复合控制器，并针对最小相位系统和非最小相位系统（包括时滞系统）验证了该方法的有效性。　　(3)研究了多种针对MIMO耦合系统的神经网络干扰观测器的设计方法。首先采用神经网络逆控制方法将MIMO系统线性化并解耦成单输入单输出(SISO)系统，针对解耦的SISO系统设计独立的神经网络干扰观测器，并在磨矿分级过程中进行了仿真验证;其次研究了直接解耦的多输入多输出线性干扰观测器的设计，并结合反馈控制器对其进行了抗干扰性分析和仿真验证;最后研究了直接解耦的鲁棒多变量神经网络干扰观测器的设计方法，并和直接解耦的多输入多输出线性干扰观测器进行了对比研究，研究结果表明了在MIMO耦合系统出现大的模型失配时鲁棒多变量神经网络干扰观测器的扰动观测效果更好。　　以上工作从前馈补偿方面提高了系统的抗扰动性能，为了保证系统更好的动静态性能，接下来的工作是从反馈控制角度进行研究。　　(4)研究了两种神经网络自校正控制方法，采用神经网络对系统进行参数辨识和干扰估计，自校正控制器根据辨识的参数和估计的干扰进行在线自适应地调整。首先研究了基于变学习率最小方差法的神经网络自校正控制方法及其在永磁同步电机速度环中的应用，仿真结果表明了该方法具有很强的鲁棒性和抗干扰性能;其次研究了基于Lyapunov函数的神经网络自校正控制方法，保证了系统的渐近稳定性和权值有界性，并在永磁同步电机位置环上进行了仿真验证，仿真结果同样表明了该方法具有很强的鲁棒性和抗干扰性能。　　(5)研究了基于新型复合神经网络预测模型的抗干扰优化控制方法。为了使预测模型更加精确，将干扰的估计值引入到神经网络预测模型中，得到新型复合神经网络预测模型，然后基于新型复合神经网络预测模型设计优化控制器，滚动优化得出的控制作用是具有抗干扰能力的优化控制，将其应用到某夹套搅拌加热器的温度控制系统中，仿真结果表明了该方法在抑制外部干扰和模型不确定性方面的优越性。